常见语义分割论文列表

文章	中文题目	摘要
Learning a Discriminative Feature Network for Semantic Segmentation（DFN）	学习用于语义分割的判别特征网络（DFN）	网络结构见图2，所谓“descriminative Feature”指从不同通道中找到更具判别能力的特征 Smooth Network：增强同类像素一致性（高层特征指导低层特征，计算通道权值CAB）； Border Network：增强语义边界部分的响应；
BiSeNet - Bilateral Segmentation Network for Real-time Semantic Segmentation	用于实时语义分割的双边分割网络	速度可达实时（Table5）。网络结构如图2，共两路： 空间路：步长小，保细节； Context Path：步长大，扩大视野。 最后两路融合（FFM）
LadderNet - Multi-Path Networks Based on U-NET for Mediacal Image Segmentation	基于U-NET的多路径网络在医学图像分割中的应用	多个U-Net串起来，像个“梯子”，如图1。 用于医学图像分割
Dual Attention Network for Scene Segmentation（DANet）	用于场景分割的双注意网络（DANet）	双Attention：空间和通道（Channel）。Dilation FCN基础上改进
Attention U-Net - Learning Where to Look for the Pancreas	注意力U-Net —— 学习在哪里寻找胰腺	U-Net网络中加入Attention Gate，实现粗尺度指导细尺度特征的refine。用于医学图像分割
Recurrent Residual Convolutional Neural Network based on U-Net (R2U-Net) for Medical Image Segmentation	R2U-Net——基于U-Net的递归残差卷积神经网络在医学图像分割中的应用	U-Net中采用循环残差层替换原来的卷积层。用于医学图像分割
Understanding Convolution for Semantic Segmentation	理解卷积在语义分割中的应用	1. DUC：密集上采样 2. HDC：混合扩张卷积 图2
Learning to Adapt Structured Output Space for Semantic Segmentation	基于结构化输出空间的语义分割学习	语义分割领域基于GAN的域自适应问题（源样本与目标样本来自不同域，但景物内容相似，且源图像有gt，而target没有） 这个方法解决了gt过少的问题（可以采用相似的图像进行训练，而不必每个样本都有gt）
ShuffleSeg - Real-Time Semantic Segmentation Network	ShuffleSeg——实时语义分割网络	基于ShuffleNet，网络结构如图1。由于ShuffleNet属于轻量级网络，因此可以实现实时
ESPNet - Efficient Spatial Pyramid of Dilated Convolutions for Semantic Segmentation	空洞卷积空间金字塔用于语义分割	如图1，将普通卷积分解为1x1卷积和空间金字塔融合卷积两步
CCNet - Criss-Cross Attention for Semantic Segmentation	CCNet——十字交叉注意力语义分割	如图1，采用十字方式分布处理，可以获得空间更远距离的信息（Context Info)，同时参数量降低。
DenseASPP for Semantic Segmentation in Street Scenes	DenseASPP在街道场景语义分割中的应用	密集ASPP（ASPP：空洞空间金字塔池化，不同rate的空洞卷积，DeepLabv3采用的技术），如图2
RefineNet - Multi-Path Refinement Networks for High-Resolution Semantic Segmentation	RefineNet——用于高分辨率语义分割的多径细化网络	如图2，利用低层（高分辨率）的特征来refine高层（低分辨率）的特征，最终利用softmax来进行像素级的分类。文中的refine模块采用了残差模块
Pyramid Scene Parsing Network（PSPNet）	金字塔场景分析网络（PSPNet）	金字塔场景分析，如图3。采用不同尺度的池化可以处理不同分辨率的物体，最后上采样后融合，再进行语义（场景）分割
Large Kernel Matters - Improve Semantic Segmentation by Global Convolutional Network（GCNet）	大核问题——用全局卷积网络改进语义分割（GCNet）	网络结构见图2，语义分割需要尽量多的Context信息，这就需要大的卷积核（GCN），而大的卷积核会造成计算复杂度提高，因而，文中采用分两步计算的方法（图2，B）。同时在网络中添加边缘refine模块 整个结构由FCN发展而来
DeepLab - Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs	DeepLab——使用深度卷积网、空洞卷积和全连接CRF的语义图像分割	DeepLab-1，ASPP（不同rate的空洞卷积）+ 全连接CRF
Rethinking Atrous Convolution for Semantic Image Segmentation	DeepLab-3——语义图像分割中空洞卷积的再思考	DeepLab-3，去掉全连接CRF
Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation	DeepLab-3+——用于语义图像分割的可分离空洞卷积编码解码器	DeepLab-3+：https://github.com/tensorflow/models/tree/master/research/deeplab 1. DeepLab-3的基础上添加编解码结构 2. 添加Xception model
CVPR2019
Co-Occurrent Features in Semantic Segmentation	语义分割中的共现特征	考虑的语义分割中不同语义之间的关系（共现：Co-occurrent，图3），实际上是考虑不同位置之间的点积信息
Knowledge Adaptation for Efficient Semantic Segmentation	有效语义分割的知识自适应	基于知识蒸馏的方法（利用复杂的teacherNet指导简单的studentNet，从而得到更快速、效果更佳的推断），实现语义分割
All About Structure: Adapting Structural Information Across Domains for Boosting Semantic Segmentation	关于结构：跨域调整结构信息以推进语义分割	文章认为高层结构特征是域不变的，而低层纹理特征是域变化的。如图2，采用编解码结构，将结构特征与纹理特征分离，利用域不变的结构特征训练语义分割网络。定义了相对应的一组损失函数
Structured Knowledge Distillation for Semantic Segmentation	基于结构化知识蒸馏的语义分割	结合三类知识蒸馏方法（像素级、像素对级和整体级），实现由复杂网络到简单网络的知识蒸馏
Geometry-Aware Distillation for Indoor Semantic Segmentation	用于室内语义分割的几何感知蒸馏	1. 所谓“几何”，在此是“深度”的意思 2. 本文算法即将深度和语义分割同时进行，而语义分割采用的是带深度的pipeline。 3. 训练集是带有深度的RGB图像
Context-Reinforced Semantic Segmentation	上下文强化的语义分割	利用上下文来提升语义分割效果，而上下文与分割结果之间，利用强化学习来相互增强。如图2
Bidirectional Learning for Domain Adaptation of Semantic Segmentation	基于域自适应双向学习的语义分割	基于域自适应弱监督语义分割：两个子网（有标签的源到无标签目标的translate网，及目标域的语义分割网），传统的方法是先从源到目标，再训练。本文方法是translate与分割两个子网之间双向训练（影响）
Building Detail-Sensitive Semantic Segmentation Networks With Polynomial Pooling	基于多项式池化的细节敏感语义分割网络的构建	提出了一个（适用于语义分割）的，介于平均池化和最大池化之间的多项式池化（公式1），并对其进行分析和实验
Adaptive Pyramid Context Network for Semantic Segmentation	用于语义分割的自适应金字塔上下文网络	研究Content信息在语义分割中的作用，指出context信息的使用应满足三个特点：1. 多尺度；2. 自适应；3. 全局引导局部Affinity（两两相关），并提出ACM（自适应Context模块，见图2），从中可见，多尺度、自适应（体现在其Affinity矩阵是学习而来的），全局引导局部Affinity（矩阵相乘）
Semantic Projection Network for Zero- and Few-Label Semantic Segmentation	零标签和少标签语义分割的语义投影网络	零镜头或少镜头的语义分割，网络结构如图2
Fast Neural Architecture Search of Compact Semantic Segmentation Models via Auxiliary Cells	基于辅助单元的紧凑语义分割模型的快速神经结构搜索	用于语义分割的神经网络结构搜索方法（图1）
DFANet: Deep Feature Aggregation for Real-Time Semantic Segmentation	面向实时语义分割的深度特征聚合	网络结构如图3，分为子网络特征聚合和子阶段特征聚合（如图2），速度比较快（100FPS）
A Cross-Season Correspondence Dataset for Robust Semantic Segmentation	一种鲁棒语义分割的跨季节对应数据集	相同场景，不同季节的数据集，如图2，每对图像创建对应点
Customizable Architecture Search for Semantic Segmentation	基于可定制体系结构搜索的语义分割	强调可定制，即用户输入条件（限制），搜索满足用户条件的轻量级的网络结构。其条件（限制）体现在自定义的损失函数中。
ICCV2019
Asymmetric Non-Local Neural Networks for Semantic Segmentation	非对称非局部神经网络用于语义分割	语义分割网中嵌入NonLocal-Block，并将其改进为非对称NonLocal-Block，并进一步添加金字塔池化和多级融合技术（见框图）
CCNet: Criss-Cross Attention for Semantic Segmentation	CCNet：基于交叉注意的语义分割	利用十字（criss-cross）方式，高效地获取全局上下文信息
SSF-DAN: Separated Semantic Feature Based Domain Adaptation Network for Semantic Segmentation	SSF-DAN：基于分离语义特征的域自适应实现语义分割	（待标签的）训练样本与真实域无标签训练样本在不同域，因此采用域自适应的方法，来实现弱监督的语义分割。本文采用GAN的方法，如图2
Domain Adaptation for Semantic Segmentation With Maximum Squares Loss	基于最大平方损失的域自适应实现语义分割	基于域自适应的语义分割，提出两点改进：1. 提出新的损失函数；2. 提出类别重加权，以解决类别不平衡的问题
ACE: Adapting to Changing Environments for Semantic Segmentation	ACE：适应不断变化的环境实现语义分割	基于域自适应的语义分割
Dynamic Multi-Scale Filters for Semantic Segmentation	用于语义分割的动态多尺度滤波器	如图2，网络中添加多个个基于自适应池化学习出来的滤波器
Orientation-Aware Semantic Segmentation on Icosahedron Spheres	二十面体球面上的方向感知语义分割	全方向（omnidirectional）图像的语义分割
Towards Bridging Semantic Gap to Improve Semantic Segmentation	通过桥接语义鸿沟实现语义分割改进	文章关注不同尺度特征的融合问题，在图6的网络结构中，使用了图4的三个模块，主要从多尺度融合和边缘感知两个方向，提升语义分割的效果
Expectation-Maximization Attention Networks for Semantic Segmentation	基于期望最大化注意力网络的语义分割	如图2，将EM算法的思想和迭代过程，嵌入到深度网络中，目的是替代自监督Attention过程（无需访问所有数据，较Non-Local更为灵活，且可以提升速度）
Guided Curriculum Model Adaptation and Uncertainty-Aware Evaluation for Semantic Nighttime Image Segmentation	基于引导课程模型自适应和不确定性感知评价的夜间图像语义分割	课程学习、自适应、夜间图像的语义分割
Joint Learning of Saliency Detection and Weakly Supervised Semantic Segmentation	显著性检测与弱监督语义分割的联合学习	弱监督语义分割：输入两类训练集（像素级显著性训练集和类别级分类训练集），训练后的像素级语义分割
ACFNet: Attentional Class Feature Network for Semantic Segmentation	ACFNet：基于注意力类特征网络的语义分割	一种利用类别特征进行语义分割refine的方法，如图2,3。 在粗粒度的语义分割基础上，提取不同类别的特征，进一步由不同类别的特征，对骨干网提出的特征进行Attention，并在此基础上refine
Significance-Aware Information Bottleneck for Domain Adaptive Semantic Segmentation	基于重要性感知信息Bottleneck的域自适应语义分割	基于GAN的域自适应语义分割的改进，对潜变量进行重要性感知的限制（如图2,3）
Constructing Self-Motivated Pyramid Curriculums for Cross-Domain Semantic Segmentation: A Non-Adversarial Approach	基于自我激励金字塔课程的跨域语义分割：一种非对抗性方法	课程学习：基于局部分布 自我激励：基于潜变量 本文将两种方式结合起来，并结合金字塔技术，实现域自适应的语义分割