DRNet：Learning Dynamic Routing for Semantic Segmentation
DRNet 不同以往的静态网络结构，而是使用了一种 Gate 函数控制在路由空间动态选择路径，以便能寻找出最适合尺度的网络结构，总的来说，该结构网络固定，但是使用的路径是根据输入来定
DMNet：Dynamic Multi-Scale Filters for Semantic Segmentation
DMNet 和 APCNet 是同一作者的论文，其基本思想一致，主要改进是每个分支不通过注意力机制学习特征，而是学习卷积核和要被卷积的特征，想法新颖
DFANet：Deep Feature Aggregation for Real-Time Semantic Segmentation
DFANet 和当下多尺度融合模块设计不同，通过设计衔接上级网络输出的子网络，不断精修预测结果
DANet：Dual Attention Network for Scene Segmentation
DANet 利用自注意力机制自适应地整合局部特征和他们的全局依赖关系，提出了位置注意模块和通道注意模块，分别对空间和通道维度上的语义相互依赖关系进行了建模
CascadePSP：Toward Class-Agnostic and Very High-Resolution Segmentation via Global and Local Refinement
一种通用的级联分割细化模型，它可以细化任何给定的输入分割，在不进行微调的情况下提高现有分割模型的性能
CPNet：Context Prior for Scene Segmentation
不像传统的上下文感知模型一样，CPNet 对类内上下文、类间上下文加以区分，学习到更加鲁棒的特征
CFPNet：Channel-wise Feature Pyramid for Real-Time Semantic Segmentation
结合 CSP 的通道 split+ASPP 的思想对不同尺度特征进行融合，即先使用 CSP 的 split 方法将特征按通道分组，对每组特征使用不同空洞率的空洞卷积，然后将不同尺度的特征融合，实际就是轻量版的 ASPP
CCNet：Criss-Cross Attention for Semantic Segmentation
对于每个位置的空间注意力，Non-local 建立的是所有点与其的注意力，而 CCNet 仅建立与其十字架内点的注意力，可以大幅点降低构建注意力的成本，并通过堆叠 2 个交叉注意力模块，实现双向空间注意力
BiSeNet：Bilateral Segmentation Network for Real-time Semantic Segmentation
为了兼顾推理速度的同时保留大的特征图分辨率，BiSeNet 引入 Spatial Path 和 Context Path，Spatial Path 中步长较小来得到高分辨率的特征图，Context Path 引入快速的下采样机制来增加感受野，最后使用特征融合模块融合两个分支的特征
CBST：Domain Adaptation for Semantic Segmentation via Class-Balanced Self-Training
针对语义分割的训练数据和测试数据不匹配问题和类别不平衡问题，该论文提出一个 UDA 和类别平衡方法，使得语义分割更准确