高效 PS: 高效全景分割
本文提出了一种名为 EfficientLPS 的创新型自顶向下的 LiDAR 全景分割框架来解决 LiDAR 点云分割中的多个挑战，包括距离依赖的稀疏性、严重遮挡、大规模变化和重投影误差，并在两个大型 LiDAR 数据集上实现了状态 - of-the-art 的效果。
Feb, 2021
本文提出了一种基于密集检测和全局自注意力机制的新型单次全景分割网络，该网络采用参数自由的掩码构建方法，大大降低了计算复杂度，实现了高效的实时性能，并在 Cityscapes 和 COCO 基准测试上取得了很好的效果。
Dec, 2019
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
本研究提出了一种名为 Fast Panoptic Segmentation Network（FPSNet）的端到端网络，将全景任务转化为自定义的密集像素分类任务以实现像素级分类和实例识别，在 Cityscapes 和 Pascal VOC 数据集上取得了更好或类似的全景分割性能，比现有的全景分割方法更快。
Oct, 2019
本文提出了一种用于全景分割的深度神经网络，将语义分割与实例分割任务联合起来，从而在单次计算中为输入图像的每个像素提供类标签和唯一对象标识符，并且通过增强信息共享和合并启发式方法，单个网络的性能提高，如在 Cityscapes 上可获得 45.9 的 PQ 分数。
Feb, 2019
本研究提出了 Part-aware Panoptic Segmentation（PPS）这个新的场景理解任务，旨在多层次把场景理解和部件理解统一起来，并提出了一种新的评估指标，即 Part-aware Panoptic Quality（PartPQ），通过在两个常用数据集上进行一致的注释，比较了现有的几种方法在该任务上的表现，实验结果证实了任务的有效性及多层次抽象的重要性。
Jun, 2021
本文提出了一种高效、协作且高度自动化的框架，基于现有的一次性网络架构搜索（NAS）范式，在统一的全貌分割管道中同时搜索用于骨干、分割分支和特征融合模块的所有主要组件，将单一任务 NAS 扩展到多组件场景中，并采用新提出的模块内搜索空间和问题导向的模块间搜索空间，以帮助我们获得最佳网络架构，该架构不仅在实例分割和语义分割任务中表现良好，而且了解前景和背景物体类之间的相互关系，并通过引入一种新的路径优先贪心搜索策略来减少搜索开销，我们找到了一个稳健、可转移性强的架构，名为 Auto-Panoptic，并在具有挑战性的多个基准测试集上实现了新的最先进的结果。
Oct, 2020