在本文中，我们建议对两个最近的酒店识别数据集进行重新访问版本：酒店50k和酒店ID。重新访问的版本提供的评估设置具有不同级别的难度，以更好地与预期的现实应用程序（即反对人口贩运）保持一致。现实世界中的场景涉及当前数据集中未捕获的酒店和位置，因此，重要的是要考虑真正看不见的评估设置，这一点很重要。我们使用多个最先进的图像检索模型测试此设置，并表明，如预期的那样，随着评估越来越接近现实世界中看不见的设置，模型的性能会降低。最佳性能模型的排名也会在不同的评估设置中发生变化，这进一步使用了建议的重新访问数据集。

最近从静态图中学习了最近的成功，但是尽管存在普遍存在，但从时间不断发展的图表中学习仍然具有挑战性。我们为特定于动态图的链接预测设计了新的，更严格的评估程序，这些预测反映了现实世界的考虑，并且可以更好地比较不同的方法的优势和劣势。特别是，我们创建了两种可视化技术，以了解随着时间的推移的重复图案。他们表明，以后的时间步骤重复了许多边缘。因此，我们提出了一个称为EdgeBank的纯记忆基线。它在多个设置中实现了令人惊讶的强劲性能，部分原因是当前评估设置中使用的简单负面边缘。因此，我们引入了另外两种具有挑战性的负面抽样策略，可以改善鲁棒性，并可以更好地匹配现实世界的应用程序。最后，我们从当前基准中缺少各种域中介绍了五个新的动态图数据集，从而为未来的研究提供了新的挑战和机会。

Semantic segmentation classifies each pixel in the image. Due to its advantages, semantic segmentation is used in many tasks, such as cancer detection, robot-assisted surgery, satellite image analysis, and self-driving cars. Accuracy and efficiency are the two crucial goals for this purpose, and several state-of-the-art neural networks exist. By employing different techniques, new solutions have been presented in each method to increase efficiency and accuracy and reduce costs. However, the diversity of the implemented approaches for semantic segmentation makes it difficult for researchers to achieve a comprehensive view of the field. In this paper, an abstraction model for semantic segmentation offers a comprehensive view of the field. The proposed framework consists of four general blocks that cover the operation of the majority of semantic segmentation methods. We also compare different approaches and analyze each of the four abstraction blocks' importance in each method's operation.