本研究提出了一种统一的端到端可训练的机器学习方法，即基于泛洪填充网络的图像分割，能够处理大小不一、数量不定的图像分割任务，并在连接组学重建等任务中取得了极高的准确率，可用于替代复杂的多步分割流程。

Nov, 2016

本研究提出了一种名为 TernausNetV2 的简单卷积神经网络，可以从高分辨率卫星图像中提取物体的实例级信息，具有应用于语义分割和实例分割任务的普适性，通过扩展视觉到更广泛的光谱范围中实现转移学习，实现了在 DeepGlobe-CVPR 2018 建筑检测子挑战中优越的性能。

Jun, 2018

该论文提出了一种基于语义分割的实例分割系统，利用 CRF 预测具有对象类和实例标签的分割地图，从而提高难度较大的像素级别分割精度，使像素不能属于多个实例，并在 Pascal VOC 和 Cityscapes 数据集上取得最新颖的结果。

Apr, 2017

本研究介绍了 DeepAqua，这是一个自我监督的深度学习模型，通过知识蒸馏来消除训练阶段中手动注释的需求，并利用归一化差异水体指数 (NDWI) 作为教师模型，训练卷积神经网络 (CNN) 从合成孔径雷达 (SAR) 图像中分割水域。该方法实现了有效地训练语义分割模型而无需手动注释数据，为监测湿地水域范围变化提供了实用的解决方案，无需地面真实数据，因此具有高度的适应性和可扩展性，可以应用于湿地保护工作。

May, 2023

通过语义类别分割为基础，使用一种深度卷积回归网络来预测像素级的实例边界框，以实现语义实例分割，同时在训练过程中采用在线引导方法来进一步提高语义类别分割和实例级分割的效果，以最终在 PASCAL VOC 2012 数据集上取得最佳结果。

May, 2016

本文提出了一种新的实例分割到语义分割的简单归约方法，使用彩色分配和卷积神经网络进行训练和测试，试验结果表明该方法在解决自动驾驶、植物表型学和高通量显微镜图像分析等领域的实例分割任务方面具有较高的有效性。

Jul, 2018

本文探讨了实例分割中的特殊问题 —— 商空间，提出了三种新方法来解决此问题，包括像素亲和映射、超像素亲和学习和基于边界的分量分割，使用完全卷积神经网络模型，达到了竞争性的结果，并且具有透明度和简单性的优点。

Nov, 2016

该研究采用基于深度神经网络的条件随机场方法，实现了物体的像素级别识别和定位。通过结合语义分割和目标检测技术，有效提高了实例级分割的准确性。

Sep, 2016

该研究采用新的建模方法（InstanceCut），通过卷积神经网络和新的实例感知边缘检测模型实现两种输出模态，即无关实例的语义分割和所有实例边界。进一步地，将这两种模态融合为一种新的 MultiCut formulation，并在 CityScapes 数据集上获得了比已有方法更好的结果。

Nov, 2016

该论文提出了一种结合深度、基于 patch 的表示和主动轮廓框架进行交互式边界提取的方法。作者使用了类别特定的卷积神经网络来训练向量预测器，以便指向感兴趣物体边界最接近的点，并使用 Sobolev 主动轮廓框架来演化轮廓。该方法在计算资源的使用方面非常高效，适合小型图形卡的使用，并在多个医学数据集和 PASCAL VOC 2012 数据集上进行了评估。

Jul, 2016