HSSN：Deep Hierarchical Semantic Segmentation
HSSN 抛弃传统的每个像素进行扁平分类的思想，在借鉴层次聚类的想法后，在网络输出端增加 "类别树" 约束，使得网络学习到的特征更加鲁棒
Gated-SCNN：Gated Shape CNNs for Semantic Segmentation
目前的语义分割还是通过逐像素点的密集分类框架完成，但有时不太理想。本文设计了一种双流模型，在常规流之外引入形状流分支额外处理形状信息，而且负责处理形状信息的网络结构不用太深就可以提升细小结构的边缘分割效果
ENet：A Deep Neural Network Architecture for Real-Time Semantic Segmentation
以 SegNet 为基础设计的语义分割模型，在编码阶段使用相同的最大池化索引 (max-pooling indices) 进行上采样
FCN：Fully Convolutional Networks for Semantic Segmentation
通过反卷积 (deconvolution) 上采样、通过跳跃连接实现底层位置信息与高层语义信息，最终实现对融合技术实现对像素级的分类
EMANet：Expectation-Maximization Attention Networks for Semantic Segmentation
EMANet 摒弃了在全图上计算注意力图的流程，转而通过期望最大化（EM）算法迭代出一组紧凑的基，在这组基上运行注意力机制，从而大大降低了复杂度
DeepLabv3：Rethinking Atrous Convolution for Semantic Image Segmentation
优化 DeepLabv2 的 ASPP 模块，并且抛弃 CRF，实现端到端的语义分割
DeepLabv2：Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs
DeepLabv2 是在 DeepLabv1 基础上的优化，主要改进是引入空洞卷积金字塔池化 (ASPP)
DeepLabv3+：Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation
在 DeepLabv3 的基础上，引入解码器 (Dncoder) 提升语义分割的精度
DeepLabv1：Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs
通过空洞卷积扩大感受野，使得分割可以处理大尺寸目标，通过 CRF 后处理模型输出，使得结果更加合理
DeconvNet：Learning Deconvolution Network for Semantic Segmentation
第一个基于解码器 - 编码器设计的网络，编码阶段使用池化提取特征，解码阶段使用反池化、反卷积还原分辨率