场景分割的自适应上下文网络
通过开发一种名为 AC-CNN 的新型神经网络模型，将全局和局部上下文信息有效地结合到区域卷积神经网络中，提高了目标检测性能，特别是在 PASCAL VOC 2007 和 VOC 2012 数据集上，与目前主流的 Fast-RCNN 算法相比在 mAP 方面分别提高了 2.0％和 2.2％
Mar, 2016
本文介绍了一种新型的自适应连接神经网络 (ACNet)，以两个方面改进了传统的卷积神经网络 (CNN)。首先，ACNet 通过自适应地确定特征节点 (如特征映射的像素) 之间的连接状态，采用了灵活的方式在处理内部特征表示时切换全局和局部推理；其次，ACNet 还能处理非欧几里德数据。在各种基准测试中，包括图像分类、语义分割等，实验分析表明，ACNet 不仅可以实现最先进的性能，还可以克服传统 MLP 和 CNN 的局限性。
Apr, 2019
ContextNet 提出了一种新的深度神经网络架构，利用分解卷积、网络压缩和金字塔表示等技术，实现了高效的全局上下文信息提取和高分辨率分割细节捕捉，从而在保持精度的前提下，降低了内存需求，实现了具备实时性和低存储成本的语义分割。
May, 2018
本文提出了注意力上下文归一化（ACN）技术，基于排列不变网络实现离群点鲁棒性的全局归一化方法，并利用本地和全局注意力找到高维空间中的关键数据点来解决特定任务，实验证明我们的方法在处理稀疏、无序数据的点云分类、抗噪点云拟合和相机姿态估计等方面性能较现有方法显著提升。
Jul, 2019
本文提出了一种上下文自适应卷积神经网络 (CaC-Net)，用于语义特征映射的空间变化特征加权。实验证明，CaC-Net 在语义分割任务中的性能优于其他方法。
Apr, 2020
本文提出了一种自适应上下文感知多模态网络（ACMNet），采用图传播方法从稀疏深度图像和 RGB 图像中恢复密集深度地图，实现了在 KITTI 和 NYU-v2 数据集上的最先进性能。
Aug, 2020
该论文提出了一种名为 DCCNet 的动态上下文对应网络，通过引入注意力机制，整合了多种语义线索，对计算机视觉中语义对应问题进行了改进，并在多个数据集上验证了该方法的有效性。
Sep, 2019
本文提出了一种像素级的上下文注意力网络 ——PiCANet，旨在学习选择性地注意每个像素的信息上下文位置，通过全局和局部形式，构建所关注的上下文特征，与 U-Net 结构相结合，可以准确且均匀地检测显著对象，在显著性检测性能方面表现优异。
Aug, 2017
本文提出了一种基于上下文聚合的卷积神经网络 (ConvNet) 的新型表达形式，即 ResNet-TP，它采用 ResNet 作为骨干网络，拥有两个路径，允许网络建模局部细节和区域上下文，实验结果表明，在 UCM Land Use 和 NWPU-RESISC45 两个场景分类数据集上，相比现有最先进的方法，提出的机制取得了显着的改进。
Feb, 2018