本文介绍了一种适用于语义图像分割的轻型体系结构 LiteSeg , 该体系结构采用了深度可分离卷积技术和新型 Atrous Spatial Pyramid Pooling 模块，同时提高了计算效率和精度。使用 MobileNetV2 作为骨干网络时，LiteSeg 在 Cityscapes 数据集上以 $640 imes 360$ 分辨率，每秒处理 161 帧的速度，实现了 67.81% 的平均交集联合值。

Dec, 2019

使用大型视觉 - 语言模型，如 Stable Diffusion（SD），通过提出 SLiMe，可以以一张标注示例图像为代价，将图像分割为所需的任意粒度。在推理期间，SLiMe 能够以训练图像中分割区域的粒度对任意真实世界图像进行分割，只需一个示例图像。此外，利用其他可用的训练数据（即少样本）可以提高 SLiMe 的性能，我们的实验证明 SLiMe 优于其他现有的一次和少样本分割方法。

Sep, 2023

本文介绍了一种简单通用的方法去训练单个神经网络的可执行不同宽度（即层中通道的数量），从而允许在运行时进行即时和自适应的准确性和效率权衡。基于共享网络的可切换批量归一化，可以在不同的宽度配置下进行训练，并可根据实时运行结果和资源限制在多个应用领域中实现类似甚至更好的准确性和效率表现。

Dec, 2018

通过结合语义分割和语义感知边缘检测，将类边界显式地融入模型，有效地解决了深网络在学习上下文信息时对高频细节的模糊化问题，从而显著地提高了基于卷积神经网络的语义分割准确度，该方法也在 ISPRS Vaihingen 基准测试中取得了超过 90% 的总体准确率。

Dec, 2016

本文提出了一种新的主动边界损失函数，通过不断引导预测边界和真实边界的对齐来改善语义分割效果，并且适用于图像和视频对象分割等复杂场景。

Feb, 2021

本研究提出了一种新的内容自适应下采样技术，通过学习目标类别边界附近的采样位置，保证了准确性和计算效率之间的平衡，从而获得更好的边界质量和对小物体的更可靠支持。

Jul, 2019

本文提出了一种名为 “网络瘦身” 的新颖学习方案，可以通过引入通道级稀疏性，简化深度卷积神经网络，降低了其计算成本，减小了运行时内存占用，同时不影响准确度。我们进行了多组实验，证明了该方案在各种图像分类数据集上具有较好的效果。

Aug, 2017

提出了一种通用的边缘监督方法 EPS，通过边界信息提高语义分割的性能，并使用 Polar Hausdorff Loss 作为辅助监督。在 22 个模型上的实验结果表明，EPS 可以无缝地集成到任何最先进的模型中，极大地提高了分割性能。

Mar, 2023

本文探讨了使用弱监督方法进行语义分割的可行性，提出了一种基于单阶段自我监督学习的网络模型，使用图像级注释训练语义掩码取得了与复杂流水线相竞争的结果，优于早期的单阶段方法。

May, 2020

本文提出了一种通用的半监督语义分割框架，旨在在各种应用领域实现更低的注释和部署成本，并通过像素感知熵正则化的特征对齐目标来最小化有监督以及无监督损失，以实现在多个领域中都能使用单一模型，利用少量标记实现性能提升，同时可以处理不同领域的标签空间不同的问题。

Nov, 2018