超像素层次
本研究提出一种基于树形结构和边界分类器的图像分割的有监督分层方法，实验结果表明该方法在六个公共数据集上实现了最先进的区域分割精度，在没有语义先验的图像分割中具有很强的竞争力。
May, 2015
本研究提出基于简单上山式优化的新方法，以追求色彩相似性为基础，使得超像素算法可用于实时应用中。在一系列实验中，得出实时单 CPU 性能与领先技术相当的结论。
Sep, 2013
本文提出了一种使用简单的全卷积网络预测超像素的新方法，以及在此基础上进行稠密预测任务下采样 / 上采样方案的改进，实验结果表明该方法能够在 50fps 的速度下取得最先进的超像素分割性能，并且在公共数据集上能够获得更好的视差估计精度。
Mar, 2020
通过使用超像素与现代 Transformer 框架相结合，本研究提出一种能在语义分割领域获得最先进性能的方法，通过学习将像素空间分解为低维超像素空间，并运用多头自注意力机制来丰富超像素特征以获得全局上下文信息，最终实现了更高的计算效率和模型性能。
Sep, 2023
通过基于超像素采样的方法和使用统计过程控制的梯度来训练和测试，该论文提出了一种在 Pascal Context，SUN-RGBD 数据集上性能优于或等于传统方法的语义分割网络，减少了上采样运算的复杂度。
Jun, 2017
本研究采用基于超像素的语义分割，考虑三种不同级别的邻域上下文，采用最大投票和加权平均等集成方法，利用 Dempster-Shafer 理论分析各类别之间的混淆，并在相同数据集上证明我们的方法优于其他现代方法。
Mar, 2018
本文探讨了超像素方法在肿瘤科学中的应用，并将其与其他方法进行了比较。评估结果表明，基于自编码器和适应领域的方法在定位乳腺癌 HER2 的边界方面效果更好，这为高效手动细化切片提供了支持。
Jan, 2022
通过设计统一的基准测试，评估了 28 个超像素算法，包括容错性、运行时间、可扩展性、可视化效果等。同时，通过对性能指标扩展，摆脱了以往基准测试中面临的主要问题，从而重新定义了超像素算法的最新进展。
Dec, 2016
提出一种基于机器学习技术的主动学习方法，用于对超像素进行层次聚合分割，并在 3D 电子显微镜（EM）影像和自然影像的数据上，利用信息变异度来衡量分割精度，在比较实验中，证明了该方法在分割准确度上优于其他算法。
Mar, 2013