本研究提出了一种名为物理可行语义分割（PhyFea）的方法，通过提取明确的物理约束，解决了传统语义分割模型在数据驱动优化中存在的物理不合理性问题。该方法建立可微分损失函数以惩罚约束违背，显著提高了在ADE20K、Cityscapes和ACDC数据集上的性能，尤其在ADE20K上提高了1.5%，在ACDC上提高了2.1%。

本文介绍了基于BiseNet的多尺度协方差特征融合网络(MCFNet)的新架构，包括特征细化模块和特征融合模块，以及名为L-Gate的门控单元。实验结果表明，该方法在Cityscapes和CamVid数据集上取得了竞争性的成功，特别是在Cityscapes数据集上，平均交并比(mIOU)达到了75.5%，速度为151.3FPS。

本文介绍了自我训练范式的半监督学习方法，通过使用标注数据训练教师模型，在未标注数据上生成伪标签，实现像素级准确模型。在Cityscapes、CamVid和KITTI数据集上取得最佳表现，并在跨域泛化任务上表现更好。提出了快速训练计划来加速分割模型的训练。

介绍了自我训练范式的半监督学习方法，通过标注数据训练教师模型并生成伪标签，实现像素级准确模型。在Cityscapes、CamVid和KITTI数据集上表现最佳，跨域泛化任务上表现更好。提出了快速训练计划加速分割模型训练。

本文提出了一种基于残差网络的高性能语义图像分割方法，并对不同变体的完全卷积残差网络进行了评估。通过低分辨率网络模拟高分辨率网络、在线启动方法和传统退化法的应用，取得了在 PASCAL VOC 2012 数据集和 Cityscapes 上最好的性能表现。

本文介绍了自我训练范式，一种半监督学习方法，通过使用标注数据训练教师模型，并在未标注数据上生成伪标签，实现像素级准确模型。该方法在Cityscapes、CamVid和KITTI数据集上表现最佳，并在跨域泛化任务上表现更好。为了减轻伪标签带来的计算负担，提出了一种快速训练计划来加速分割模型的训练。

本文提出了一种新的结构和统计纹理知识蒸馏框架（SSTKD），通过引入轮廓线分解模块（CDM）和去噪纹理亮度均衡化模块（DTIEM）来结合结构和统计纹理知识。实验表明，该方法在Cityscapes、Pascal VOC 2012和ADE20K数据集上实现了最先进的性能。

本文提出了一种基于鲁棒学习思想的目标检测框架，通过使用在源领域上训练的检测模型获取目标领域的嘈杂标签数据，从而实现对领域适应问题的处理。通过在SIM10K、Cityscapes和KITTI等数据集上验证，与现有方法相比，本文方法显著提升。

本文介绍了一种使用NVIDIA TensorRT进行优化的高效的RGB-D分割方法。该方法在NYUv2和SUNRGB-D数据集上进行了评估，证明了RGB-D分割优于仅处理RGB图像，并展示了实时性能。此外，该方法还在Cityscapes数据集上进行了评估，显示了适用于其他应用领域，并展示了室内应用场景中的定性结果。