通过提供包括模拟图像和真实图像的多种场景、多种微型飞行器类型和多种视角的多微型飞行器多领域 (M3D) 数据集，在众多领域上提出了一个新的基准，通过基于伪标签的框架和一个由大到小的训练过程提出了一个噪声抑制网络 (NSN)。通过大量的实验结果验证了所提出方法在各项任务中的优越性能评估。

Mar, 2024

本文提出了一种新的多任务、多阶段神经网络，能够在单次前向传递中同时处理语义分割和基于视觉的航拍图像地理定位两个问题，并在卫星图像中实现商用 GPS 级别的本地化精度以及在 Inria Aerial Image Labeling 数据集和 Massachusetts Buildings 数据集上达到领先水平的分割效果。

Apr, 2018

本文提出一种基于变压器的编码器 - 解码器框架 ——UAVSNet，旨在解决利用无人机图像进行城市场景理解的语义分割问题。我们展示了这种方法在无人机图像数据集上的有效性。

Feb, 2023

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

本文介绍了一种使用编码器 - 解码器串联卷积神经网络进行密集语义杂草分类的方法，以通过微型飞行器收集的多光谱图像减少损害周围植物的可靠而精确的杂草检测，训练不同数量通道的模型并在嵌入式 GPU 系统中进行部署。

Sep, 2017

本文提出了基于断言的多视图融合网络 (AMVNet)，用于 LiDAR 语义分割，通过后期融合聚合各个基于投影的网络的语义特征。在自主车辆等计算和内存资源受限的机器人系统中具有灵活性，实验结果表明，AMVNet 在 SemanticKITTI 和 nuScenes 基准数据集上均取得了最优结果.

Dec, 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

提出一个新颖的多模态自监督网络（MS-Net）用于合成孔径雷达（SAR）影像中飞机的细粒度分类，通过大量实验，证明了 MS-Net 在无标签情况下能够有效降低类似类型飞机的分类难度，对 SAR 影像中飞机的细粒度分类具有开创性意义。

Aug, 2023

本篇论文提出一种名为 ENet 的新型深度神经网络架构，其最大特点是快速、参数少，适用于对实时性要求较高的像素级语义分割任务，且在 CamVid、Cityscapes 和 SUN 等数据集上测试表明效果相对优于同类型已有网络。

Jun, 2016

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