本研究探索了现代可变形卷积神经网络在自动驾驶场景中使用鱼眼图像的语义分割任务中的有效性。实验评估了可变形网络捕捉复杂空间关系并提高分割准确性的能力。结果表明，集成可变形CNNs在处理鱼眼图像中的几何失真方面有效，并超过传统CNN架构的性能。

该研究提出了一种对比学习方法，可识别历史建筑物的变化情况，避免伪变化，并利用可变形卷积神经网络减少建筑不一致的影响。该方法在两个数据集上获得了较高的 F1 分数，并在与最先进算法的数据集测试中表现更好。

本文介绍了一种新颖的多任务学习模型DeMTG，结合了可变形卷积神经网络和基于查询的Transformer，采用共享门控机制，具有任务特定的灵活性。与传统方法相比，DeMTG成本低、复杂度小、参数少。实验证明，DeMTG在三个密集预测数据集上使用更少的GFLOPs，优于竞争模型。