通过深度层级级联方法（LC）对模型级联（MC）进行改进，加速和提高语义分割的计算效果。在PASCAL VOC数据集上取得了最先进的性能和快速速度。

Apr, 2017

本研究对语义分割进行了实验，利用具备ladder-style卷积架构的修改版DenseNet-169模型，针对四个基准数据集进行了预测，并在ROB 2018的指导下进行了验证。实验结果表明了几个有趣的发现。

Jun, 2018

本研究的目的是针对 DeepLabv3+ 模型在语义分割应用中的鲁棒性进行全面调查，研究结果显示性能与鲁棒性有很大关系，而有些架构属性则对鲁棒性产生了显著影响。

Aug, 2019

本研究提出了一种基于非可学习原型的非参数替代方法来处理任意数量的语义分割类，并通过模型优化嵌入式像素与锚定原型之间的排布来直接塑造像素嵌入空间，证实了该方法在多个数据集上的表现。

Mar, 2022

在计算机视觉中，轻量级模型通常通过使用transformers，提高模型的性能，本文探讨如何通过四项指标(强度、校准、描述和区外检测)来提高模型的可靠性。

Mar, 2023

该论文总结了在ICCV 2023举行的MUAD不确定性量化挑战中采用的获胜解决方案，重点关注城市环境中的语义分割，特别关注自然对抗情景。报告呈现了19个提交条目的结果，许多技术借鉴了近几年在计算机视觉和机器学习领域的重要会议和期刊中介绍的前沿不确定性量化方法。在文中介绍了挑战的目的和目标，主要集中在增强城市场景下语义分割在不同的自然对抗条件下的鲁棒性。报告还深入探讨了表现最好的解决方案，并旨在全面概述所有参与者采用的不同解决方案，以便为读者提供更深入的洞察力，了解在自动驾驶和语义分割中与城市环境中固有不确定性处理相关的各种策略。

Sep, 2023

本文挑战了最先进的生成模型，通过对稳定扩散进行微调，在语义分割方面自动生成合成数据以评估其可靠性。通过广泛实验，我们表明合成数据与真实异常数据的表现之间存在高度相关性，从而显示了该方法的有效性。此外，我们说明了如何利用合成数据来提高分割器的校准和异常检测能力。

Dec, 2023

在这项研究中，我们将当前研究中不确定性方法的三个关键问题与缺乏系统和全面的评估方法相联系，并提出了一种评估框架，通过提供1）用于研究数据模糊性和分布变化的受控环境，2）对相关方法组件进行系统性切割，以及3）用于五种主要的不确定性应用（OoD检测，主动学习，故障检测，校准和歧义建模）的测试基准，来弥补研究差距。对于模拟数据和真实世界数据的实证结果表明，所提出的框架能够回答该领域的主要问题，揭示了例如：1）不确定性类型的分离在模拟数据上是有效的，但不一定适用于真实数据，2）分数的聚合是不确定性方法中重要但目前被忽视的组件，3）尽管集成模型在不同下游任务和设置中表现最为稳健，但测试时间增强常常作为一种轻量级的替代方法。

Jan, 2024

机器学习模型对微小的敌对输入扰动很容易产生较大的输出误差。本论文通过重新评估多个著名的鲁棒分割模型，提出新的攻击方法并结合文献中最强的攻击方法，详细分析模型的敏感性。结果表明，大多数最先进的模型对敌对扰动的敏感性明显大于之前报道的。同时，本研究还展示了一个尺寸偏差：即使大型物体是鲁棒的，小型物体往往更容易受到攻击，这是当前评估指标未能揭示的现象。我们的研究结果还表明，因为不同的模型通常对不同的攻击方式容易受攻击，因此需要使用多样的强攻击。

Jul, 2024

本研究解决了半监督语义分割中对过时ResNet编码器的依赖，提出将基线从ResNet编码器切换到更强大的ViT编码器，以提高分割性能。研究表明，更新编码器（即使使用更少的参数）能带来显著的性能提升，同时推出的UniMatch V2在训练成本上减轻并提供更好的结果，呼吁关注更具挑战性的基准数据集。

Oct, 2024