本研究探讨了全卷积网络（FCN）在高级驾驶辅助系统（ADAS）中应用于高光谱成像（HSI）的图像分割。实验结果表明，FCN显著提升了HSI在复杂场景下的物体分隔能力，从而改善了ADAS在恶劣天气中的性能。

本研究探讨了在资源和功耗受限的设备上快速部署高光谱成像处理器的方法，特别是在自主驾驶中的应用。通过定制后训练量化方案，轻量级全卷积网络能够在低成本模块上高效运行，同时保持分割精度，从而推动高光谱成像技术在自动驾驶系统中的应用。

本文探讨了文档图像的二值化处理及其在识别和算法优化中的应用，比较了多种深度学习方法的性能，提出了基于全卷积网络和视觉变换器的新架构，显示出在文档图像分析中的优越性，并公开了代码和模型以促进未来的二值化评估。

本文介绍了一种基于深度学习的城市变化检测框架，结合全卷积网络和循环神经网络，利用Sentinel-2数据集实现95%的检测精度。研究探讨了不同架构和光谱通道对变化检测的影响，并提出了多种提升检测准确性的方法，包括无监督学习和特征跟踪。

本文介绍了一种基于深度学习的中文字体转换网络，结合全卷积网络和对抗网络，能够合成逼真的目标字体，并解决中文部件分割问题。此外，研究提出了MetaScript系统，利用少样本学习保留个人手写风格，提升数字输入效率。该系统在多种评估中表现优异，为中文书写个性化提供了解决方案。

本文介绍了一种名为“Lesion-Net”的全卷积网络，旨在解决糖尿病性视网膜病变分级中的三大挑战。该方法在12K张眼底图像上进行实验，显示出在病变分割、分类和分级任务上优于现有技术，具有高准确性和有效性。

本文介绍了多种基于神经网络的半监督视频目标分割技术，包括全卷积网络、Transformer模型和循环神经网络。这些方法通过结合外观学习、时间聚合和少量样本学习，显著提高了分割精度和效率，并在多个基准测试中表现优异。

本文提出了一种全卷积网络用于迭代非盲去卷积，能够学习自适应的图像先验，保持局部和全局信息。经评估表明，该方法在质量和速度方面表现优异，可胜任同类算法。