本文提出了 SCNet，一种基于卷积神经网络的语义对应的几何合理模型，利用区域提议实现匹配原语，并明确将几何一致性纳入其损失函数中，该方法在多项基准测试中均表现优异。
May, 2017
我们提出了一种名为自平衡 R-CNN (SBR-CNN) 的模型，通过解决实例分割任务中的不均衡问题，改进了目标检测和实例分割的性能，在 COCO minival 2017 数据集上达到了 45.3% 和 41.5% 的 AP。
Apr, 2024
本文提出了一种名为 Cas-RetinaNet 的级联目标检测器来降低不一致性和提高性能。该算法包括按照递增的 IoU 阈值进行训练的多个级别和一个用于减轻特征不一致性的新特征一致性模块。实验表明我们的算法相对于 RetinaNet，在不采用其他技巧的情况下，将在具有挑战性的 MS COCO 数据集上的表现从 39.1 提升至 41.1。
Jul, 2019
本文提出了一种基于图像级联网络 (ICNet) 的实时语义分割方法，通过多分辨率分支和级联特征融合单元，以及恰当的标签引导来降低像素级标签推断的计算量，从而实现对挑战性数据集（如 Cityscapes，CamVid 和 COCO-Stuff）的高质量实时分割。
Apr, 2017
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
提出了一种多阶段目标检测架构 Cascade R-CNN，采用一系列具有递增 IoU 阈值的检测器进行训练，以解决因过度拟合和推理时间质量不匹配而导致的高质量检测难题，在 COCO 数据集中取得了最先进的性能，并显著提高了通用和特定对象检测数据集上的高质量检测。
Jun, 2019
本文提出一种多阶段目标检测架构，Cascade R-CNN，通过一系列的检测器训练，逐步提高在增加交并比（IoU）阈值下对近似假阳性的选择性，从而减少过拟合问题，并在推理时提供更接近每个阶段检测器质量的假设匹配，实现在 COCO 数据集上比所有单模型目标检测器表现更好。
Dec, 2017
本文提出了 SCP-Net 方法，利用多个输入源提高一致性学习中预测的多样性，结合半监督方法和自我感知一致性学习方法，提高伪标签的紧致性和可靠性。实验表明，SCP-Net 可以优于其他半监督分割方法，相比于有限的有监督训练，可以显著提高性能。
May, 2023
本研究旨在解决在实例分割任务中实例分类置信度与实例分割准确度之间不相关的问题，提出了基于遮罩评分的区域卷积神经网络（Mask Scoring R-CNN）方法，该方法可以协调遮罩质量和遮罩分数之间的不一致，从而提高实例分割性能，并在 COCO 数据集上相对于 Mask R-CNN 取得了更好的性能表现。
Mar, 2019
本文提出了一种在语义分割任务中具有高计算效率的方法，基于完全卷积神经网络，在同时实现高平均交并比的情况下，可以在移动设备上实时运行。