近两年新语义分割神经网络

近两年来，有一些值得关注的新语义分割神经网络，以下是其中一些：

1. U-Net++：这个网络是对U-Net的改进，引入了更深的卷积层和更多的跳跃连接，以提高分割性能。

2. DeepLabv3+：这个网络结合了深度学习和空洞卷积的优点，采用了多尺度特征融合的策略，可以有效地处理不同尺度的物体。

3. DenseASPP：这个网络对ASPP模块进行了改进，引入了密集连接和可分离卷积，以提高分割性能。

4. BiSeNet：这个网络采用了两个分支，一个处理全局信息，一个处理局部信息，以提高分割性能和速度。

5. HRNet：这个网络采用了高分辨率输入和高分辨率特征的策略，以提高分割的准确性和细节。

这些网络都在语义分割领域取得了一定的进展，为实现更好的分割效果提供了新思路和新方法。

相关问题

2021新语义分割神经网络

2021年出现的语义分割神经网络有很多，以下列举几个比较有代表性的：

1. U2-Net：该网络是基于U-Net的改进版本，通过引入U-Net++、Attention Gate和Res2Net等模块，提高了分割的准确性和效率。

2. HRNet：该网络是一种高分辨率网络，通过在不同分辨率下进行特征提取和融合，提高了分割的细节精度和全局一致性。

3. Swin Transformer：该网络是一种基于Transformer的图像分类网络，通过引入局部注意力机制和跨窗口的注意力机制，提高了分割的准确性和效率。

4. DeepLab V3+：该网络是一种基于空洞卷积（Dilated Convolution）的分割网络，通过引入ASPP模块和上采样模块，提高了分割的细节精度和感受野。

这些网络的出现，为语义分割任务的发展提供了新的思路和解决方案。

语义分割近两年最好用的transformer

近两年来，语义分割领域最好用的Transformer模型是ViT（Vision Transformer）。ViT是一种将Transformer模型应用于计算机视觉任务的方法，它在语义分割任务中取得了很好的性能。

ViT的核心思想是将输入图像分割为固定大小的图块，然后将这些图块作为序列输入Transformer模型。通过自注意力机制，ViT能够捕捉到图像中不同区域之间的关系，并且在训练过程中通过预训练和微调来学习图像的语义信息。

自从ViT被引入到语义分割任务中以来，它在多个数据集上取得了令人印象深刻的结果。例如，使用ViT进行语义分割的方法如Swin-Transformer在COCO数据集上取得了领先的性能。

总体而言，ViT作为一种新兴的Transformer模型在语义分割任务中表现出色，它为这一领域带来了新的可能性和性能提升。