本文提出了一种新的框架，将视频 / 图像分割和区域定位视为一个单一的优化问题，并以非常弱的监督方式集成低级外观线索和高级定位线索的信息。该框架利用不同级别的两种表示，利用边界框和超像素之间的空间关系作为线性约束，同时在边界框和超像素级别上区分前景和背景。与以往主要依赖于判别聚类的方法不同，我们结合了一个前景模型，使得一个物体在所有图像帧中的直方图差异最小。利用超像素和边界框之间的几何关系使得分割线索可以传递以改善定位输出，反之亦然。前景模型的引入将我们的判别框架推广到视频数据，其中背景往往是相似的，因此不具有判别力。我们证明了我们的统一框架在 YouTube 对象视频数据集，Internet 对象发现数据集和 Pascal VOC 2007 上的有效性。

Nov, 2018

本文提出了一种有效的无监督方法，基于高可能的正面特征的自动选择和学习，生成前景对象软分割遮罩

Apr, 2017

本文提出一种新的物体检测方法，利用基于判别卷积神经网络的方法生成物体提案，得到高比例正确检测结果，且不需要以往低层次分割技术。

Jun, 2015

该论文介绍了一种名为 SceneCut 的新方法，它使用单个 RGB-D 图像联合推理场景语义和几何学，从而使机器人能够在现代基于深度学习的方法在分离对象实例方面失败或在训练期间未见过的对象上失败的复杂场景中检测和分割对象实例。我们评估了 SceneCut 在几个不同的室内环境中，结果表明 SceneCut 显著优于所有现有的方法。

Sep, 2017

提出了一种使用欧氏距离图将矩形作为软约束的新型分割方法，通过将图像与这些距离图拼接并将对象掩模预测为输出，我们的方法在给定不精确的矩形的情况下获得准确的分割结果，且适用于交互式分割和实例分割，同时在不重新训练的情况下扩展到基于曲线的输入，并通过条件随机场解决重叠问题，实验结果表明了该方法的有效性。

Jul, 2017

本文提出了一种端到端的学习框架，其中使用深度卷积网络实现了将前景 / 背景标签分配给所有像素的结构化预测，在无需看到训练期间未曾见过的物体类别的情况下生成了像素级的前景对象分割，并在 ImageNet 和 MIT ObjectDiscovery 数据集上显著改善了前景分割的最新技术成果。我们最后展示了该方法如何使图像检索和图像重排具备更好的应用前景图。

Jan, 2017

本文提出了两种基于分层图像分割的显著性模型，它们可以高质量地生成显著性图，并在多个基准数据集上达到了最先进的性能水平。

Aug, 2015

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

本文提出了一种基于概率框架的优化方法来解决显著性目标检测的问题，同时还与图割、扩散映射和一类分类方法相结合，实现了对局部 / 全局对比度和大面积显著性线索的全局最优近似，该方法在包括大约 17k 张图像等多个评价指标的显著目标检测数据集上的表现优于现有算法，计算复杂度与许多现有技术相当 / 有利。

Sep, 2016

本文提出了一种基于人眼视觉感知的三阶段模型，它可以在单次迭代中进行粗到细的分割，并采用了多尺度特征增强和边界增强模块。此外，还使用了掩码引导并结合了粗略预测图与高分辨率特征图来生成细致的结果。我们的网络表现优于现有 CNN 模型，降低了计算开销并减轻了背景噪声干扰。

May, 2023