提出了一种用于全景分割的单一网络方法，该方法将联合训练的语义分割和实例分割网络的预测结果结合起来使用启发式方法，通过对ResNet-50特征提取器的共享来加快训练速度并提高内存效率，并使用Mask R-CNN类型的架构进行实例分割和增加Pyramid Pooling模块进行语义分割。在COCO和Mapillary联合识别挑战赛2018中，我们的方法在Mapillary Vistas验证集上获得了17.6的PQ分数，在COCO测试开发集上获得了27.2的PQ分数。

Sep, 2018

本文提出了一种名为OCFusion的轻量级方法来解决Panoptic分割中目标实例之间的重叠问题，该方法通过二元关联建模来实现物体实例的非重叠分割。该方法利用现有数据集注释自动推导出的真实关联进行训练，在COCO数据集上表现出最先进的效果，并在Cityscapes panoptic分割基准测试中展示了竞争力的结果。

Jun, 2019

提出了一种基于不确定性感知和地区一致性的跨域语义分割一致性正则化方法，通过利用目标样本的潜在不确定性信息，引入了动态加权的一致性损失，使得从教师模型传递到学生模型的知识更具意义和可靠性。同时，提出了一种ClassDrop掩蔽生成算法和ClassOut策略，实现了地区一致性的有效建模。实验表明，该方法在四个跨域自适应基准上优于现有方法。

Apr, 2020

本文提出自适应分段（Ada-Segment）方法，通过自适应地调节多个培训损失，以涵盖多个目标，并以一个端到端的架构来概括性地处理分段任务，从而实现了对各种数据集的可靠泛化，成为目前的最优解。

Dec, 2020

本文提出了一种基于区域对比一致性正则化（RCCR）、动量投影头和记忆库机制的无监督域自适应语义分割方法，旨在提高在不同环境下的分割精度。实验证明，该方法优于现有的基准方法。

Oct, 2021

本文是关于无监督领域适应在语义分割中应用的综述，概括了包括多领域学习、域泛化、测试时适应、无源领域适应在内的最新趋势，并介绍了语义分割的最重要的方法、广泛使用的数据集和基准。

Dec, 2021

本文提出了一种深度感知全景分割(DPS)的统一框架，该框架通过应用动态卷积技术来解决全景分割和深度预测任务之间的互补关系，从而实现对单张图像进行实例级语义重建，通过实例级深度估计方案，为辅助监督深度学习而添加额外的实例级深度提示，实验结果表明该方法具有实用性和前景。

Jun, 2022

UniDAformer是一种简单的统一领域自适应全景分割变压器，采用分层掩模校准来纠正特定区域的不准确预测，可以同时实现领域自适应实例分割和语义分割。它可用于统一领域自适应全景适应，并通过在线自训练来缓解错误预测，有效地提高了领域自适应全景分割的效果，训练及推理流程简单，经过多项公共基准测试，UniDAformer的领域自适应全景分割优于现有技术水平。

Jun, 2022

本文介绍了一种全新的网络架构EDAPS，它使用共享的、domain-robust转换器编码器，以方便语义特征和实例特征的联合适应，但还针对域适应的语义和实例分割任务的特定要求设计了任务特定的解码器，从而显著提高了挑战性panoptic基准测试的性能。

Apr, 2023

提出了一种名为LIDAPS的新型模型，通过IMix策略实现了实例级的域适应，提高了全景质量，并利用CLIP-based domain alignment (CDA)方法来解决语义性能下降的问题，在流行的全景无监督域适应基准测试中取得了最先进的结果。

Apr, 2024