通过循环卷积神经网络的方法，可在不依赖于分割方法和任务特定特征的情况下，对图像里的所有像素赋予分类标签，并且无需在测试时像其他方法那样昂贵，因此可在 Stanford Background 数据集和 SIFT Flow 数据集上获得最先进的性能。

Jun, 2013

本文提出了一种基于学习的场景解析方法，通过逐层递归的上下文传播方式，以图像中的超像素为分类基础进行解析，并利用MRF模型建模结果的层次依赖关系从而实现对Stanford Background，SIFT-Flow和Daimler urban数据集的最新性能。

Mar, 2015

探索多级上下文循环神经网络的多种上下文提示，将其结合到分级卷积神经网络中，提供丰富的空间和语义信息，并使用注意力模型来有效地合并多个级别，以实现在图像标签方面的最新结果。

Jul, 2016

本研究提出一种新的MPF-RNN模型，通过多层反馈和多重加权循环结构，增强RNN建模长范围的上下文信息和识别易混淆像素的能力，此外还提出了考虑多次反馈的损失累积策略，从而在场景分割方面实现了比传统模型更优秀的性能表现。

Aug, 2016

本文介绍了一种利用基于不同区域的上下文聚合和金字塔场景分割网络的全局上下文信息的方法，以进行场景分割任务，并在各种数据集上取得了最先进的性能表现。该方法在PASCAL VOC 2012基准和Cityscapes基准数据集上创造了新的记录。

Dec, 2016

本文提出了基于参数化和非参数化模型的全局语境信息来进行场景解析，使用场景相似性训练上下文网络生成特征表示来生成空间和全局先验知识，然后将这些特征表示和先验知识嵌入到分割网络作为额外的全局上下文提示。实验表明该方法可以消除与全局上下文表示不兼容的误报，且在MIT ADE20K和PASCAL Context数据集上表现良好。

Oct, 2017

本文提出一种新的上下文聚合方案——物体上下文来提高物体信息的影响力，通过二元关系矩阵和稠密关系矩阵来代替对象上下文，结合多尺度上下文方案，实验结果表明该方法在语义分割任务中有着竞争性的表现。

Sep, 2018

本文提出了新的空间汇聚策略-带状池化(strip pooling)，通过比较其与传统空间汇聚技术的性能，使用带状池化建立了新的先进模型，在流行的基准测试中取得了新的最优结果。

Mar, 2020

本文提出了图交互单元和语义上下文损失的方法，将语言学知识引入视觉图，增强上下文推断和刻画高层语义，最终在场景解析等任务上取得了优越的表现。

Sep, 2020

本文提出了一种新颖的特征增强网络，通过从多个特征提取级别收集空间上下文，并计算每个表示级别的注意力权重以生成最终的类别标签。该模型还学习了低分辨率下的空间上下文信息以保留场景元素之间的抽象空间关系并降低计算成本，最终的特征集合中融合了空间注意力特征，并在ADE20K和Cityscapes数据集上优于所有现有模型。

Feb, 2024