本研究提出了一种名为TopFormer的移动友好的架构，以不同尺度的Token作为输入，产生具有尺度感知的语义特征，并将这些特征注入到相应的Token中以增强表示能力。该方法在多个语义分割数据集上优于CNN和ViT网络，并在ARM移动设备上实现了较低延迟和更高的平均交并比精度。TopFormer的微型版本可以在ARM移动设备上实时推断。

SemiVL是一种结合了视觉-语言模型的方法，通过空间微调策略和语言引导解码器的设计，以及提供类别定义的语言指导，实现了更好的语义决策边界。在4个语义分割数据集上评估时，SemiVL明显优于以前的半监督方法，例如在COCO上mIoU提高了+13.5，在Pascal VOC上mIoU提高了+6.1。