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

提出了一种以极高的内存效率保留全局和局部信息的协作全局 - 本地网络，同样适用于粗到细的分割，用于超高分辨率图像的分割。

May, 2019

本文介绍了一种应用深度卷积神经网络用于语义标签高分辨率遥感数据的方法，采用了全卷积网络和预训练卷积神经网络在卫星图像识别中得到了较好的应用效果。

Jun, 2016

本文介绍了一种分割脑损伤的新方法，主要采用 3D 卷积神经网络，同时处理不同尺度的图像，通过实验证明具有更好的性能。

Mar, 2016

本研究提出了一个高分辨率遥感图像网络模型，可解决同类别地物在不同地理环境下形态和比例显著不同，以及复杂背景噪声干扰下影响现有学习算法效果的问题。该模型包含漏斗模型、信息聚合模块、特征精炼模块和 CEA Loss 损失函数，并通过有效的预处理策略，在三个高分辨率遥感图像分割基准数据集上取得了优异表现。

May, 2023

本文提出了一种新型的残差稠密网络 (RDN)，该网络通过引入残差稠密块 (RDB) 来充分利用原始低分辨率图像的层级特征，并通过局部特征融合和全局特征融合来稳定更广泛的网络培训，进而在基准数据集上展示了 RDN 相对于现有最先进的方法所取得的更高性能。

Feb, 2018

本文介绍了一种基于 U-Net 的循环卷积神经网络（RCNN）基础上的模型 RU-Net 和基于 U-Net 的循环残差卷积神经网络（RRCNN）基础上的模型 R2U-Net。这些模型在医学图像分割任务中表现出优异的性能，比 U-Net 和 ResU-Net 等等同网络参数的模型表现更好。

Feb, 2018

本文介绍了一种基于残差连接和多通道上采样的多路径细化网络 RefineNet，能够通过利用深度学习卷积神经网络中的所有信息来对图像进行高精度的预测和语义分割，该方法通过在深度网络中进行残余连接来有效地进行端到端的训练，并应用在七个公共数据集中取得了最优结果。

Nov, 2016

High-Resolution Network (HRNet) is a new computer vision framework that maintains high-resolution representations through the whole process, resulting in semantically richer and spatially more precise representations, which outperforms existing state-of-the-art frameworks in human pose estimation, semantic segmentation, and object detection.

Aug, 2019

探索使用逐渐增加特征映射维度的方式，提高深度残差神经网络的泛化能力，并提出了一种新的残差单元，增强了其分类准确性；实验表明，与原始的残差网络相比，该网络结构具有更好的泛化能力。

Oct, 2016