ESPNet 是一种快速高效的卷积神经网络，用于在资源受限情况下对高分辨率图像进行语义分割，基于新的卷积模块，即高效空间金字塔（ESP），在计算、内存和功耗方面都很高效。它比目前最先进的语义分割网络 PSPNet 快 22 倍（在标准 GPU 上），体积小 180 倍，而其类别准确率只有 8% 左右。我们在各种语义分割数据集上评估了 ESPNet，包括 Cityscapes、PASCAL VOC 和一个乳腺活检全扫描图像数据集。在相同的内存和计算限制下，ESPNet 在标准度量和我们新引入的在边缘设备上测量效率的性能指标上均优于当前所有高效 CNN 网络，如 MobileNet、ShuffleNet 和 ENet。我们的网络可以在标准 GPU 上以每秒 112 帧和边缘设备上以每秒 9 帧的速度处理高分辨率图像。

Mar, 2018

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

该研究介绍了一种高效金字塔网络（EPNet），通过融合边缘分割金字塔模块（ESPM）和全景特征提取模块（PFEM），克服了现有方法在计算效率方面的限制，从而实现了单幅图像超分辨率的高效实用化。

Dec, 2023

本文介绍了一种通过与密集层结合的聚合多层感知机，用于改进现有体系结构，提高高级特征表示能力的方法。通过对基于图像分类的现有体系结构进行实验比较，结果表明该方法显著提高了分类准确度。

Nov, 2023

本研究提出了一种新的神经网络单元 SE 块来自适应地重新校准通道特征响应，进一步提高 CNN 架构的性能，并在 ILSVRC 2017 分类中取得了一流的成绩。

Sep, 2017

本文提出了一种新的体系结构 ——SEEA-UNet，它结合了 Attention UNet 和 Squeeze Excitation Network 以获取空间和通道级别的信息，并使用二元焦点损失和 Jaccard 系数监控模型性能。与现有体系结构相比，该模型在少量时期的训练中表现更好。

May, 2023

该研究提出了基于金字塔的两种模块，即金字塔渐进传递模块（PPT）和金字塔自我关注模块（PSA），用于模糊图像的恢复，通过充分利用降采样和压缩等多种模糊的图片的自我和跨尺度相似性来进行模糊图像的恢复。通过实验结果证明，该方法显著优于现有的模糊图像超分辨率和模糊图像去块方法。在 NTIRE 2021 图像去模糊挑战中，EDPN 在 Track 1（低分辨率）中实现了最好的 PSNR / SSIM / LPIPS 分数，在 Track 2（JPEG 伪影）中实现了最好的 SSIM / LPIPS 分数。

May, 2021

本文提出了一种双极化自注意力块 (Polarized Self-Attention, PSA) 来解决细粒度计算机视觉任务中的高质量像素回归问题，凭借极化滤波和增强以及在通道枝和空间枝中的最大表示能力，PSA 在 2D 姿态估计和语义分割基准测试上优于标准基准和先进技术。

Jul, 2021

本研究提出了一种称为 SaEnet 的方法，该方法利用多层感知机和聚合激活网络构建卷积神经网络的全局通道表示，通过在层之间诱导全局表示，并在网络中引入多分支线性层，从而增强网络的表征能力。通过使用 Imagenet 和 CIFAR100 数据集进行大量实验证明，该模型的性能与现有最先进的架构相当甚至更好。

Aug, 2023

使用金字塔注意力网络 (PAN) 进行语义分割，通过特征金字塔注意力模块和全局注意力上采样模块提取精确的密集特征，优于现有方法，可达到 PASCAL VOC 2012 和 Cityscapes 数据集的最高精度 mIoU 84.0%。

May, 2018