PSPNet：Dilated Residual Networks
PSPNet 通过在网络中使用金字塔池化模块 PPM, 一定程度解决语义分割的多尺度问题
PSANet：Point-wise Spatial Attention Network for Scene Parsing
PSA 设计出一个双向的空间注意力网络，使得网络比单向空间注意力网络更加有效
OCNet：Object Context Network for Scene Parsing
OCNet 设计 OCP 模块，通过分块设计稀疏的空间注意力，减少构建注意力的性能损耗
PP-LiteSeg：A Superior Real-Time Semantic Segmentation Model
为搭建一个轻量化的语义分割网络，PP-LiteSeg 设计了灵活轻便的 encoder 模块、统一的注意力模块和高效的金字塔特征融合模块
OAA：Online Attention Accumulation for Weakly Supervised Semantic Segmentation
OAA 是一个弱监督语义分割网络，通过设计 OAA 模块，在训练过程中不断累积 CAM，这比单纯使用最后一次的 CAM 更能体现物体轮廓
Non-local Neural Networks
受到计算机视觉的 Non-local means (NLM) 的影响，Non-local 提出 Non-local operations，用于捕获长距离的关系，提升了语义分割的效果
LRNNET：A Light-Weighted Network with Efficient Reduced Non-Local Operation for Real-Time Semantic Segmentation
基于 LEDNet 改进，使用 SVD 简化 non-local 网络，通过分解因子卷积块（FCB）扩大感受野，通过 SVN 模块构建稀疏的空间注意力
LEDNet：A Lightweight Encoder-Decoder Network for Real-Time Semantic Segmentation
LEDNet 使用非对称的编码器 - 解码器结构，编码器在残差层采用信道分割和混洗操作，以特征重用的方式增强了信息通信。另一方面，解码器采用 APN 模块，其中空间金字塔结构有利于扩大感受野，而无需引入大量的计算
ICNet for Real-Time Semantic Segmentation on High-Resolution Images
ICNet 通过设计 3 个输入尺度的网络，学习不同尺度的特征，然后通过特征融合模块，输出图片的分割结果
HMANet：Hybrid Multiple Attention Network for Semantic Segmentation in Aerial Images
混合多重注意力网络 (Hybrid Multiple Attention,HMANet) 以更有效，有效的方式从空间，渠道和类别的角度自适应地捕获全局相关性。具体来说，嵌入了类通道注意的类增强注意力（CAA）模块可用于计算基于类别的相关性并重新校准类级信息。此外，引入了一个简单而有效的区域洗牌（RSA）模块，以降低特征冗余，并通过区域表示来提高自我关注机制的效率