本文研究了使用卷积神经网络实现视觉对象识别任务时，CNN 是否学习了语义部分的内部表示，结果发现对于对象识别最有辨别力的卷积滤波器对应着某些语义部分。

Jul, 2016

本文介绍了以往自我监督的学习方式大多聚焦于图像级的表示学习，不能为无监督图像分割等需要空间多样的表示的任务带来改进，通过自我监督学习物体部件提出了新的解决途径，并结合目前趋势的 Vision Transformer，利用稠密聚类任务进行空间标记的微调，取得了在语义分割基准测试上超过 17%-3% 的最先进结果，且在完全无监督分割方面也具有重大潜力。

Apr, 2022

该研究提出了一种从预先训练的卷积神经网络中提取对象 - 部分概念的学习策略，通过挖掘预先训练的 CNN 中的潜在模式，并将它们与不同的语义部分关联来逐步在 CNN 上构建一个具有语义解释性的图形模型，以实现层次化的对象理解。

Nov, 2016

本研究探讨了物体分割的任务，通过使用语义分割系统和限制玻尔兹曼机的有益信息，结合 Dense CRF 标签，采用判别式方法提高了语义部分分割的性能，并在 PASCAL 数据集上展示了优越的性能。

May, 2015

本篇论文介绍了一种用于检测部分遮挡对象的语义部分的方法，该方法使用本地视觉线索的置信度进行语义部分的检测并使用简单的投票技术来处理局部线索。实验证明，该方法在存在遮挡的情况下，在语义部分检测方面性能优于其他竞争方法。

Jul, 2017

本研究提出了一种非监督学习方法来发现和分割物体部分，通过像素级别的图像重建配合先前任务的代理目标，得到了一种更有意义的部分分解方法，优于现有的三个基准数据集，提供了一种一致的、可视化的物体语义部分表示。

Nov, 2021

该研究探讨了利用空间上下文作为丰富的视觉表征的监督信号的方法。通过从每个图像中提取随机配对的路径来训练卷积神经网络，用于预测第二个路径相对于第一个路径的位置，从而实现对目标的识别，并证明该方法在性能上优于其他算法。

May, 2015

采用完全可区分的无监督深度聚类方法，仅使用未标记的对象提议，无需个体分类标签来学习语义类，建立特征表示并同时学习聚类。目前该方法仅提供分割对象性掩膜的监督，但该方法可扩展为使用无监督的目标性生成机制，从而使该方法完全无监督。

Jan, 2018

本文提出了一种自监督的像素表示学习方法，通过使用从图像中提取的视觉概念（例如部件、物体和场景等具有语义意义的像素组）实现语义分割，评估了在三个数据集上学习到的像素嵌入和视觉概念。作者的实验结果表明，该方法在非监督语义分割方面取得了持续和显著的改进，并且视觉概念可以揭示图像数据集的洞见。

Mar, 2022

该研究提出了一种新的方法，可以同时恢复 3D 对象的几何形状和基于部分的分解，以及它们之间的潜在层次结构，实验证明考虑部分的组织确实有助于推理三维几何。

Apr, 2020