语义分割的简单高效结构
通过将分类器网络与逆向 HRNet 架构集成，本文介绍了一种新颖的分割框架，用于高效的图像分割。我们的方法利用半监督预训练的 ResNet-50 骨干网络，在不同尺度上生成特征图，然后通过适应具有不同通道维度的逆向 HRNet 进行处理，产生最终的分割结果。在多个基准数据集上进行了严格测试，包括 Mapillary Vistas、Cityscapes、CamVid、COCO 和 PASCAL-VOC2012，使用像素精度和平均交并比（mIoU）等指标评估了分割性能。结果表明，我们提出的模型在实现高分割精度方面具有较高的效果，表明其在图像分析等各种应用中具有潜力。通过整合 ResNet-50 和逆向 HRNet 的优势，我们提出了对图像分割挑战的强大解决方案。
Feb, 2024
本文提出了一种新的语义分割方法: EfficientFCN, 相较于基于 dilatedFCN 的方法，该方法既可以取得相似的高精度分割效果，又能够在计算成本上做到只有原来的 1/3，这一成果达到了一种性能和效率的平衡。
Aug, 2020
提出了一组高效的卷积神经网络骨干架构，通过双分辨率融合和深度上下文聚合金字塔池化模块，实现了在 Cityscapes 和 CamVid 数据集上的优于现有模型的精度和速度的实时语义分割。
Jan, 2021
本文介绍了一种用于语义像素分割的深度全卷积神经网络，称为 SegNet。该网络架构由编码器网络、相应的解码器网络和像素分类层组成，编码器网络的拓扑结构与 VGG16 网络的 13 个卷积层完全相同，解码器使用池化索引计算非线性上采样，使得解码器可以将低分辨率的特征映射映射到全分辨率的特征映射，从而在像素级别进行分类。评估结果表明，SegNet 相对于其他现有的架构具有更好的推理性能和更高的效率。
Nov, 2015
本研究提出了一种创新的编码器 - 解码器网络结构，利用残差连接增强了传统 SegNet 架构在图像语义分割任务中的准确性。通过多重残差连接策略有效地保留了不同图像尺度上的细节，从而最小化了下采样过程中的信息丢失。此外，为了增强网络训练的收敛速度并减轻样本不平衡问题，我们设计了一种修改后的交叉熵损失函数，引入了平衡因子来优化正负样本的分布，从而提高了模型训练的效率。实验评估结果表明，我们的模型在信息损失减少和语义分割准确性改善方面取得了显著的成果。特别地，在数据集上，与传统 SegNet 相比，提出的网络架构在精细注释的平均交并比（mIoU）上有着明显的改进。该提出的网络结构不仅降低了人工检查的成本，还可以扩大 AI 驱动的图像分析在不同领域中的应用规模。
May, 2024
自动驾驶汽车的语义分割是理解周围环境的关键技术。研究通过融合编码器 - 解码器和两通道架构，提出了空间助理编码器 - 解码器网络（SANet），并在设计中利用不同分辨率的特征提取和池化模块以优化特征提取和实现语义提取，最终在实时 CamVid 和 Cityscape 数据集上达到竞争性的结果。
Sep, 2023
本文提出了一个实时语义分割基准测试框架，包括特征提取和解码方法的分离设计，采用不同的网络架构和分割方法，在城市场景的 Cityscapes 数据集上进行了实验，并展示了与 SegNet 相比可实现 143 倍 GFLOPS 减少的优势。
Mar, 2018
探讨了如何在图像识别的语义分割领域中，采用 ReNet 层代替全卷积神经网络中的级联卷积和池化层来使局部感受野具有全局信息，并开发了一种新的混合深层 ReNet（H-ReNet）模型，经实验证明其在 PASCAL VOC 2012 基准测试中的识别准确度比 Piecewise、CRFasRNN 和 DeepParsing 高 3.6%、2.3% 和 0.2%。
Mar, 2016
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