Ronneberger等人的 “u-net: 用于生物医学图像分割的卷积网络”。介绍了u-net架构，该架构现已成为医学图像分析的标准。本文描述了一种优雅的编码器-解码器网络结构，该结构保留了对精确分割至关重要的空间信息。该架构已经影响了许多后续设计，并且仍然与当前的分割任务相关。
He等人的 “Mask r-cnn” 扩展了更快的r-cnn对象检测框架，以包括精确的实例分割。本文提出了一种简单而有效的方法来分割单个对象，同时保持实时性能。它的实现已成为现代实例分割系统的基石。
Chen等人的 “DeepLab: 具有深度卷积网络，Atrous Pooling和完全连接的crf的语义图像分割”。介绍了用于密集特征提取的atrous卷积。本文展示了如何在没有过多计算成本的情况下维护高分辨率特征图。他们的方法显着提高了分割精度，同时保持了合理的处理时间。