本文介绍了多种4D LiDAR分割方法，包括4D-StOP、Mask4D和Annotator等，旨在提升自动驾驶中的3D环境理解能力。4D-StOP通过时空提议显著提升分割性能，Mask4D利用Transformer实现高效语义实例预测，Annotator在主动学习和域自适应中表现优异。此外，SegNet4D和Flow4D方法在实时多扫描语义分割中也展现了卓越性能，推动了LiDAR分割技术的发展。

该文综述高分辨率图像语义分割研究，涵盖ResNet-like结构、ICNet实时分割、MagNet多尺度框架及学习性下采样等方法，在Cityscapes等数据集上实现71.8%至75%的交并比，兼顾精度与计算效率，并探讨超分辨率预处理与遥感图像边界保留。

该文综述语义分割的深度学习方法，涵盖全卷积网络（FCN）、残差网络、空洞卷积、多尺度融合与注意力机制。FCN实现端到端像素级预测，在PASCAL VOC等数据集上平均IU提升约20%。后续方法在Cityscapes等数据集上不断刷新最优结果，并推动移动端实时分割发展。

该文综述深度学习图像分割研究，涵盖多种方法：RescueNet结合局部相关二值交叉熵损失同步分割建筑并评估损毁；多流注意力算法融合双骨干特征提升预测；Q-Segment实现传感器端1.9毫秒实时分割；边界感知网络用于显著与伪装目标分割；RMSIN处理遥感文本查询分割；Transformer盲图像质量评价引入注意力面板；两步智能系统检测遥感图像质量；密集连接解码器提升建筑分割效率；基准评估五种交互式分割方法，发现SAM在遥感中表现不佳而SimpleClick最优，并开发RSISeg工具；BiSeNet V2双分支实现高效实时语义分割。