利用深度图学习的 DGL-FB 框架对高维数据进行自动第一次断裂拾取，采用子图采样技术管理图的大小，通过深度图编码器将子图编码为全局特征，将全局特征与局部节点信号相结合，输入到基于 ResUNet 的 1D 分割网络进行断裂检测，与 2D U-Net 对比，DGL-FB 在现场勘测评估中展现出更高的准确性和稳定性。

Apr, 2024

本文提出了 DVSNet 的动态视频分割网络设计，使用了卷积神经网络和决策网络技术，以提高语义分割效率和降低计算工作量。在 Cityscape 数据集上进行的实验结果表明，该网络最高可以达到 70.4% 的 mIoU。

Apr, 2018

本研究提出了 Dual Swin Transformer U-Net (DS-TransUNet) 框架，它是第一次尝试将 Swin Transformer 的优势同时融入到标准 U 形架构的编码器和解码器中，以提高不同医学图像的语义分割质量。实验表明，DS-TransUNet 显著优于现有的医学图像分割方法。

Jun, 2021

本文介绍了基于贝叶斯神经网络的地震勘探首波拾取新框架。新框架在大量实验中得到了验证，具有更好的准确性和稳健性，并且此拾取结果的不确定性对人类决策提供了参考。

May, 2023

本文提出了一种名为 deep snake 的新型轮廓方法，它使用神经网络迭代地变形初始轮廓以匹配对象边界。作者使用循环卷积来进行轮廓上的结构化特征学习，并且根据 deep snake 提出了二阶段流程进行实例分割：初始轮廓建议和轮廓变形。 经实验证明，该方法在实时应用中表现出优异的性能。

Jan, 2020

本文提出了一种强大且高效的深度神经网络驾驶场景语义分割模型 DSNet，通过 ShuffleNet V2 和 ENet 的启发式设计，以及实现的 Driving Importance-weighted Loss 作为考虑驾驶决策的重要因素，等方面提高准确率和实时性。在 Cityscapes 数据集上的实验结果表明 DSNet 比 ENet 的准确率提高了 18.9％，速度提高了 1.1 倍，具有应用于自动驾驶的巨大潜力。

Dec, 2018

提出了基于编码器解码器的方法 DoubleU-Net，该方法在一些医学图像数据集上的实验证明相比于现有方法可获得更准确的语义分割结果。

Jun, 2020

本文提出了一种名为 DeepUNet 的新型卷积神经网络，通过使用 DownBlock 和 UpBlock，引入了新的 U-Connection 和 Plus Connection，以实现对复杂海 - 陆环境下高分辨率遥感图像的精确语义分割。实验结果表明，DeepUNet 在性能上表现良好，并在高分辨率遥感图像方面优于 SegNet 和 U-Net。

Sep, 2017

该研究提出了一种基于数据增强的网络和训练策略，用于更有效地利用可用的标注样本，以实现对神经结构的分割和细胞跟踪。研究表明，这种网络可以从极少量的图像中进行端对端的训练，并在电子显微图像和透射光显微图像上均取得了优异的分割和跟踪效果，且速度快。

May, 2015

本文提出了一种更深、更紧凑的深度学习结构 DCSAU-Net，利用了两个新颖的框架：主要特征保留和紧凑的注意力块，在医学影像分割中表现出更好的性能，特别是在具有挑战性的影像上表现出色。

Feb, 2022