通过深度学习技术的发展，本文提出了一种基于渐进前景平衡采样策略的深度学习模型来解决变化检测任务中改变和不改变的像素之间不平衡的问题，并设计了一种层次化注意力网络（HANet），以提高检测性能。

Apr, 2024

本文通过应用双重注意力网络 (DANet) 和自注意力机制来捕捉语境相关性，以实现更准确的场景分割，在 Cityscapes 数据集上取得了 81.5% 的平均 IoU 得分，并提供了相应的代码和训练模型。

Sep, 2018

本研究旨在通过多任务学习方式训练一个网络实现视觉注意力，使用半监督学习方式生成前 / 背景分割标签，进而训练目标检测模型，利用分割地图实现自我注意机制，获得在交通监控领域两个数据集上显著的 mAP 改进，UA-DETRAC 和 UAVDT 数据集上均实现了最先进的结果。

Feb, 2020

本文提出了一种新颖的挤压和注意力（SA）模块，结合传统卷积实现像素组关注和像素级预测，最终通过融合四个层次的 SANet 的输出来集成多尺度的上下文信息，从而实现了在 PASCAL VOC 和 PASCAL 上的语义分割任务中表现出色。

Sep, 2019

本文提出了一种基于场景感知注意力的空间注意力模块和局部 - 全局类注意力机制，以此构建一种应用于遥感图像语义分割的场景感知类别注意力网络（SACANet），试验表明 SACANet 的性能优于其他最先进的方法并验证了其有效性。

Apr, 2023

本文介绍了一种基于注意力机制的多尺度预测整合方法，其中的层次化结构能够节省大量内存，提高训练速度和模型精度，并在 Cityscapes 和 Mapillary Vistas 数据集上达到了新的最优结果。

May, 2020

该研究提出了一种具有分层分类器的卷积网络，用于每像素的语义分割，能够在多个异构数据集上进行训练和利用它们的语义层次结构。

Mar, 2018

本研究提出了一种基于 CNN 的新型架构，可以进行端到端的训练，以提供无缝的场景分割结果。该网络结构采用了一种新颖的分割头，将由特征金字塔网络生成的多尺度特征与由轻量级 DeepLab 模块传递的上下文信息进行了无缝整合，从而预测一致的语义分割和检测结果。此外，研究人员还提出了一种替代 panoptic 度量的方法，克服了评估非实例类别时的局限性。通过在三个具有挑战性的街景数据集上测试，即 Cityscapes、Indian Driving Dataset 和 Mapillary Vistas，我们的网络架构取得了最先进的结果。

May, 2019

我们专注于城市场景点云的语义分割方法，提出了一种名为 APNet 的网络架构，利用不同上下文信息和网络架构的协同利用，将点云分支和航空影像分支进行几何感知融合，以达到数据融合的最佳性能。实验证明，融合模块的输出始终优于各个网络分支的结果，并且 APNet 在 SensatUrban 数据集上取得了 65.2 的 mIoU 的最新性能。

Sep, 2023

本文提出了一种基于 light-weight general purpose architecture、light-weight upsampling 以及融合多重分辨率的特征来扩大接受域的语义分割方法，在多个数据集上获得显着的优越性能和较高的 MIoU 和帧率。

Mar, 2019