青青韶华

论文地址：https://arxiv.org/abs/1411.4038概述论文最大的贡献是提出了一种端到端（end-to-end）的，像素对像素（pixel-to-pixel）的，基于全卷积神经网络的语义分割方法。输入图片的大小可以是任意的，输出相应大小的结果，这不同于以往的需要对输入神经网络中的图像进行reshape 操作至固定大小的图片。实现全卷积神经网络的关键点在将原来卷积神经网络的最后全

数据集：http://hcp.sysu.edu.cn/lip 主要贡献提出了一个新的large-scale benchmark，以及一个测评服务器用支持进一步的人物解析研究，新的数据集共有50462 张图片，20 个分类标签（19个类别+背景）通过在新的数据集上的实验，详细分析之前state-of-the-art 的人物解析方法的优势和不足提出了一个自监督的，基于人体架构化的学习框架，主要是

论文地址： https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Liang_Human_Parsing_With_ICCV_2015_paper.pdf概述论文主要是提出了一个local-to-global-to-local 的框架结构，主要目的是从低层加入情境化的信息，这个框架是将交叉层内容（cross-lay

论文地址：https://arxiv.org/pdf/1606.00915.pdf概述DeepLabv2 是在DeeplabV1 的基础上又做了改进的。Deeplabv1 主要是在FCN 的基础上对vgg 网络进行fine tuning，并加上一个全连接的CRF，这样可以保证对FCN 得到的结果在局部细节上进行优化，从而实现在PASCALVOC 数据集上达到71.6%的准确率，成为当时的state

论文地址：https://arxiv.org/pdf/1612.01105.pdf 项目地址：https://github.com/hszhao/PSPNet概述场景解析的挑战在于无限制的开放词汇和不同场景，论文使用pyramid pooling module，实现基于不同区域的上下文集成，提出PSPnet，实现利用上下文信息的能力进行场景解析。本方法的提出取得了ImageNet scene

论文地址：https://arxiv.org/pdf/1611.06612v3.pdf概述论文提出一种多阶段的提炼网络（RefineNet），使用long-range 残差连接，能够有效的将下采样中缺失的信息融合进来，从而产生高分辨率的预测图像。用这种方法可以将粗糙的高层语义特征和细粒度的底层特征进行融合。使用残差连接和identity mapping 的思想，能够实现端到端的训练。通过链式残差池

论文地址：https://arxiv.org/pdf/1702.08502.pdf概述本文主要是针对已有的FCN+CRF+Atrous convolution 中的上采样和dilated convolution 进行了改进， 提出了替代的dense up-sampling convolution (DUC)和hybrid dilated convolution（HDC）。其优点是扩大网络的感受野，