FMAS 是一个快速的多目标神经架构搜索框架，用于语义分割。通过在搜索期间对 DeepLabV3 + 结构和预训练参数进行子采样且无需微调，FMAS 显著减少了训练时间，并使用验证数据集的子集进一步降低候选模型的评估时间。最终，只有最终的 Pareto 非支配候选者才使用完整的训练集进行微调。在 PASCAL VOC 2012 数据集上搜索性能更强且计算成本更低的模型时，FMAS 可以快速找到具有竞争力的设计，例如，在仅使用 0.5 GPU 天的时间内，它可以找到一种 DeepLabV3 + 变体，其 FLOPs 和参数分别减少了 10％和 20％，而误差仅增加了不到 3％。我们还在名为 GAP8 的边缘设备上进行搜索，并使用延迟作为指标。FMAS 可以发现比现有体系结构快 2.2 倍的神经网络，MIoU 损失仅为 7.61％。

Mar, 2023

本文介绍了一种快速分割卷积神经网络（Fast-SCNN），它是一种高分辨率图像数据（1024x2048px）的半实时语义分割模型，适用于在低内存嵌入式设备上进行高效计算。该网络通过在多个分辨率分支上同时计算低级特征和高级特征，实现了高分辨率的空间细节与更低分辨率下提取的深度特征的结合，并在 Cityscapes 数据集上以每秒 123.5 帧的速度获得了 68.0％的平均交并比准确率。实验证明，预先培训规模的大规模预处理是不必要的。

Feb, 2019

提出了一种名为 Graph-guided Architecture Search（GAS）的管道，其中图卷积网络（GCN）作为细胞之间的通信机制，消除了细胞之间的共享约束以实现细胞水平的多样性，并通过搜寻 latency-oriented 约束来实现速度和性能的平衡，在 Cityscapes 和 CamVid 数据集上实现了精度和速度的新的最优平衡。

Sep, 2019

SSS3D 是一个快速多目标的 NAS 框架，使用 RandLA-Net 作为超网络，通过权重共用和两阶段搜索，有效地降低了搜索时间，用于寻找计算效率高的 3D 语义场景分割网络。

Apr, 2023

本研究采用无代理的硬件感知搜索方法，针对密集的语义分割任务，实现了特定任务和推理硬件上优化的网络，并在 Cityscapes 语义分割数据集上实现了最先进的网络准确度优化，在 NVIDIA AGX Xavier 上实现了低于 100ms 推理时间的 73.62％的类 mIOU，并与最新的最先进架构进行了详细分析。

Aug, 2019

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

本文提出了一种神经体系结构搜索 (NAS) 框架，用于自动优化大规模设计空间中的神经体系结构，支持 3D 医学图像分割任务，其优化准确度在基准测试数据集上优于人类设计的 3D U-Net，经过优化的体系结构适用于不同的任务。

Jun, 2019

本论文提出了一种从零开始自动搜索 3D 医学图像分割网络的方法 —— 粗 - 细神经网络结构搜索（C2FNAS），该方法通过将搜索过程分解为宏观拓扑和微观细胞操作两个阶段来规避搜索和部署阶段之间的不一致，最后将该方法应用于 10 个公共数据集上获得了最新的实验结果。

Dec, 2019

本文提出一种基于零、一阶知识的细分神经网络迁移学习教师 - 学生框架，将拥有更好表现的重型细分网络的知识转移到轻型细分网络上，提高了轻型网络的细分准确性，仍然保持快速特性，并经数据实验验证该框架可以显著提升学生网络性能。

Oct, 2018

我们提出了一种用于实时语义分割的高效模型，称为 JetSeg，包括一个名为 JetNet 的编码器和一个改进的 RegSeg 解码器，JetNet 针对 GPU 嵌入式系统设计，包括 JetBlock 和 JetConv 两个主要组件以及 JetLoss 损失函数，实验结果表明，JetSeg 比现有的实时编码器 - 解码器模型更适合工作站设备和低功率 GPU 嵌入式系统，并且比其他模型快 2 倍。

May, 2023