通过利用扩张卷积等方法，本文提出一种弱监督下语义分割的新模型，能够得到准确的物体分割结果，相较于之前的方法在具有 1,464 个分割掩码的半监督和仅有图像级标签的弱监督设置下，分别获得了 60.8％和 67.6％的高精度分割效果，成为当前最优秀的模型。

May, 2018

本篇研究针对膨胀卷积存在的网络粗颗粒化问题，提出了两种去网格化方法和 shared and separable operations 和 SS output layer 的概念，并且经过有效接受域分析和实验验证，发现这些方法和概念能够有效地提高膨胀卷积神经网络的性能。

Aug, 2018

本文提出了一种特别为密集预测设计的新的卷积网络模块，该模块利用扩张卷积系统地汇集多尺度上下文信息，而不会丢失分辨率，并证明了该模块可以提高现有最先进的语义分割系统的精度。同时，作者还探究了将图像分类网络适应于密集预测的可能性，并提出了简化适应后的网络结构有助于提高精度。

Nov, 2015

该论文提出了一种改进像素级语义分割的深度学习方法，其中涵盖了密集上采样卷积和混合空洞卷积框架，达到了在 Cityscapes 等数据集上的最先进结果。

Feb, 2017

本文介绍了一种通过采用 dilated residual networks 提高图像分类准确性及在物体定位和语义分割等下游应用中的效果，同时探究了这种方法引入的网格伪影问题并提出了解决方法。

May, 2017

本研究提出了一种采用扩张残差卷积神经网络（CNN），并使用零填充来保持输出和输入维数相同的方法，以 Gaussian 图像去噪为目标，能够在减少计算成本的同时实现与最新的残差去噪器相当的性能，并且在计算可解释性方面也能有所进展。

Aug, 2017

本文提出了一种新的卷积方法：Dynamic Dilated Convolutions (D^2Conv3D)，并经过实验证明它可以作为标准卷积的替代方法，用于提高 3D CNN 架构的性能，从而提高视频分割相关基准任务的表现，进一步表明该方法优于现有扩展的 3D 卷积方法，最终在 DAVIS 2016 无监督视频物体分割基准测试中实现了新的最佳成绩。

Nov, 2021

通过在传统 CNN 模型之前放置自适应层，根据输入影像的局部环境动态调整卷积核尺寸，本文提出的方法可以在处理具有多种尺度和配置的医学影像时，增强网络对多样解剖结构和图像细节的处理能力，进而在 SegPC2021 和 ISIC2018 等常见数据集上，取得了优于传统 CNN 模型的分割准确性、Dice 系数和 IoU 的结果。

Apr, 2024

该论文提出了一种适应性下采样方案，通过允许以更高的分辨率处理信息丰富的区域而不是信息较少的区域，从而提高了各种已建立 CNN 的成本 - 准确性权衡效果。

May, 2023

本文介绍了一种解决遥感图像中对象小而拥挤的局限性，名为 LFE 架构的新型结构，其核心是在扩张前端模块之上添加局部特征提取模块，通过聚合不断减小的扩张因子来聚合本地特征，实现了卫星遥感图像的语义分割，取得了显著的效果。

Sep, 2017