提出了一种用于全景分割的单一网络方法，该方法将联合训练的语义分割和实例分割网络的预测结果结合起来使用启发式方法，通过对 ResNet-50 特征提取器的共享来加快训练速度并提高内存效率，并使用 Mask R-CNN 类型的架构进行实例分割和增加 Pyramid Pooling 模块进行语义分割。在 COCO 和 Mapillary 联合识别挑战赛 2018 中，我们的方法在 Mapillary Vistas 验证集上获得了 17.6 的 PQ 分数，在 COCO 测试开发集上获得了 27.2 的 PQ 分数。

Sep, 2018

Panoptic-DeepLab 采取了双重 ASPP 和双重解码器结构，实现了单次扫描的全景分割，并在 Cityscapes 和 Mapillary Vistas 数据集上取得了最新的最优结果。

Oct, 2019

本研究提出了一种名为 Fast Panoptic Segmentation Network（FPSNet）的端到端网络，将全景任务转化为自定义的密集像素分类任务以实现像素级分类和实例识别，在 Cityscapes 和 Pascal VOC 数据集上取得了更好或类似的全景分割性能，比现有的全景分割方法更快。

Oct, 2019

该论文提出了一种新型的端对端网络，能够高效地预测实例和物体分割，并引入了一种新的空间排名模块以处理预测实例之间的遮挡问题。在 COCO Panoptic 基准测试上取得了可喜的成果。

Mar, 2019

我们提出了一种端到端的网络，用于连接全景分割的训练和推理管道，通过使用密集实例亲和力来捕获像素对属于相同实例的概率，并与 ResNet-50 骨干网络配合使用，实现了对 Cityscapes 和 COCO 数据集的新记录。

Jan, 2020

Panoptic-DeepLab 是一个用于全景分割的模型，具有简单、强大和快速的特点。通过采用语义和实例分割的双重 ASPP 和双重解码器结构，同时使用语义分割模型的典型设计和类别不可知的实例中心回归，Panoptic-DeepLab 超过了所有三个 Cityscapes 基准测试，取得了新的最佳表现，并在 Mapillary Vistas 测试集上提供了未来领先的 42.7％ PQ 精度.

Nov, 2019

本研究提出了一种基于 CNN 的新型架构，可以进行端到端的训练，以提供无缝的场景分割结果。该网络结构采用了一种新颖的分割头，将由特征金字塔网络生成的多尺度特征与由轻量级 DeepLab 模块传递的上下文信息进行了无缝整合，从而预测一致的语义分割和检测结果。此外，研究人员还提出了一种替代 panoptic 度量的方法，克服了评估非实例类别时的局限性。通过在三个具有挑战性的街景数据集上测试，即 Cityscapes、Indian Driving Dataset 和 Mapillary Vistas，我们的网络架构取得了最先进的结果。

May, 2019

本文提出并研究了一项称为全景分割的任务，该任务将语义分割和实例分割两个任务统一起来，提出了新型的评估指标，并进行了全面的研究。

Jan, 2018

本文提出了一种基于密集检测和全局自注意力机制的新型单次全景分割网络，该网络采用参数自由的掩码构建方法，大大降低了计算复杂度，实现了高效的实时性能，并在 Cityscapes 和 COCO 基准测试上取得了很好的效果。

Dec, 2019

本文提出了一种名为 Video Panoptic Segmentation 的新型视觉识别任务，同时提出了两个视频全景数据集，以及一种 VPSNet 网络，在 VPQ 度量下，在 Cityscapes-VPS 和 VIPER 数据集上实现了最先进的结果。

Jun, 2020