本文针对以减少除草剂使用量为目标的精准农业机器人的需要，提出了一种利用RGB数据进行基于CNN的作物分割和背景分类的方法，该方法利用植被指数实现实时分类，并且通过少量训练数据，可以在陌生的地块上进行有效的重新训练。在德国和瑞士的不同领域进行了实地测试，结果显示该系统的泛化能力很好，可在约20Hz的速度下进行在线操作，适合实际的农业生产。

Sep, 2017

通过卷积神经网络加入空间信息作为特征，实现了在复杂环境下农田杂草与作物的自动分割识别，并在实验中取得了优异的结果。

Jun, 2018

本文提出了一种名为MSCG-Net的新型架构，用于语义分割，在最新提出的Self-Constructing Graph（SCG）模块上构建，通过利用多个视图来明确地利用空中图像的旋转不变性，进一步开发了一个自适应类加权损失来处理类别不平衡问题，证明了所提出方法的有效性和灵活性，与相关纯CNN比较，我们的模型在Agriculture-Vision挑战数据集上实现了非常有竞争力的结果（0.547 mIoU），并且具有更少的参数和更低的计算成本。

Apr, 2020

本文介绍了一种基于注意力机制的多尺度预测整合方法，其中的层次化结构能够节省大量内存，提高训练速度和模型精度，并在Cityscapes和Mapillary Vistas数据集上达到了新的最优结果。

May, 2020

本文介绍了 MSeg 数据集，它统一了不同领域的语义分割数据集，消除了不一致的分类和注释方法，并在零样本交叉数据集转移方面进行了评估，并表明 MSeg 训练可以显著提高模型的鲁棒性和泛化能力。

Dec, 2021

该研究介绍了一种多任务学习架构，通过相关性引导的注意力和自我关注增强平均表示学习，以通过2D语义分割和几何相关的任务来综合理解复杂场景，并在室内和室外数据集上展示了其好处。

Jun, 2022

本文介绍了一种轻量级的语义分割架构，名为自适应频率变换器。它采用并行架构，使用原型表示作为可学习的局部描述来替代解码器，并在高分辨率特征上保留了丰富的图像语义。我们还使用异构运算符（CNN 和 Vision Transformer）进行像素嵌入和原型表示，以进一步节省计算成本。

Jan, 2023

多任务学习通过使用共享资源同时计算多个输出，具有比传统方法更低的内存需求和推理时间，本综述主要研究多任务学习如何在不同的部分监督设置下应用以解决相关挑战。

Jul, 2023

通过对简单的Vision Transformer（ViT）模型进行高性能的分割实验，本文提出了PlainSeg和PlainSeg-Hier两种简洁高效的模型，包括了最后一个特征图的3x3卷积和Transformer编码器或解码器，并结合了高分辨率特征和更大的学习率，实验证明这些模型在语义分割中具有高性能和高效率，是评估基础模型转移能力的有力工具。

Oct, 2023

多任务密集预测的研究中，我们通过引入Segment Anything Model (SAM)和基于高斯分布的区域表示，解决了部分标注数据、局部对齐和跨任务关系等挑战，提高了在部分监督多任务密集预测场景中的性能。

Mar, 2024