本文提出了一种基于 CNN 网络的轻量级、高吞吐量的 RoadNet-RT 架构，通过深入优化硬件设计和使用分离深度卷积和非均匀核大小卷积等技术，显著提高了道路分割的实时处理速度。相较于现有最先进的网络，在仅仅 6.2% 的精度损失下，RoadNet-RT 的速度提升了 20 倍。该 CNN 架构在 FPGA ZCU102 MPSoC 平台实现，计算能力达到 83.05 GOPS，每秒处理 327.9 帧大小为 1216x176 的图像。

Jun, 2020

本文提出一种基于 ENet 的实时高效实现，可以同时解决语义场景分割、实例分割和单目深度估计三个自动驾驶相关任务，不会因同时运行多个任务而牺牲准确性。

Aug, 2017

本文提出了一个实时语义分割基准测试框架，包括特征提取和解码方法的分离设计，采用不同的网络架构和分割方法，在城市场景的 Cityscapes 数据集上进行了实验，并展示了与 SegNet 相比可实现 143 倍 GFLOPS 减少的优势。

Mar, 2018

提出了一组高效的卷积神经网络骨干架构，通过双分辨率融合和深度上下文聚合金字塔池化模块，实现了在 Cityscapes 和 CamVid 数据集上的优于现有模型的精度和速度的实时语义分割。

Jan, 2021

本文提出了一种联合分类、检测和语义分割的方法，其中编码器在三个任务之间共享。该方法非常简单，可以端到端训练，在具有挑战性的 KITTI 数据集中表现良好，在道路分割任务中优于现有技术。而且，我们的方法非常高效，执行所有任务只需要不到 100 毫秒。

Dec, 2016

本研究设计了一种双并行、使用不同扩张率的卷积层的 ResNeXt，以提高区域感知率和保留局部细节，进而实现语义分割，并在实时 Cityscapes 和 CamVid 数据集上取得迄今最优成果。

Nov, 2021

本文提出了一种基于图像级联网络 (ICNet) 的实时语义分割方法，通过多分辨率分支和级联特征融合单元，以及恰当的标签引导来降低像素级标签推断的计算量，从而实现对挑战性数据集（如 Cityscapes，CamVid 和 COCO-Stuff）的高质量实时分割。

Apr, 2017

本文提出了一种强大且高效的深度神经网络驾驶场景语义分割模型 DSNet，通过 ShuffleNet V2 和 ENet 的启发式设计，以及实现的 Driving Importance-weighted Loss 作为考虑驾驶决策的重要因素，等方面提高准确率和实时性。在 Cityscapes 数据集上的实验结果表明 DSNet 比 ENet 的准确率提高了 18.9％，速度提高了 1.1 倍，具有应用于自动驾驶的巨大潜力。

Dec, 2018

本文提出了一种用于城市街景的语义分割的高性能深卷积神经网络方法，它实现了精度和速度之间的良好权衡，并展示了在实时速度下使用单个 NVIDIA TITAN X 卡片在具有挑战性的 Cityscapes 和 CamVid 测试数据集上分别实现了 73.6％和 68.0％的 mIoU 精度。

Mar, 2020

自动驾驶汽车的语义分割是理解周围环境的关键技术。研究通过融合编码器 - 解码器和两通道架构，提出了空间助理编码器 - 解码器网络（SANet），并在设计中利用不同分辨率的特征提取和池化模块以优化特征提取和实现语义提取，最终在实时 CamVid 和 Cityscape 数据集上达到竞争性的结果。

Sep, 2023