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

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

本文提出了一种基于深度学习的可微分超像素采样网络 (SSN)，用于图像分割和其他任务。实验结果表明，该方法比传统方法在性能上更加具有优势且运行时间短。

Jul, 2018

本文提出了从像素边缘检测到表面法线估计到高级语义分割的像素级预测问题的设计原则，通过分层抽样像素来增加多样性，探索复杂的非线性预测器并通过单一的体系结构高效地训练各种像素标记任务，最终在 PASCAL-Context 数据集上的高级语义分割、NYUDv2 深度数据集上的表面法线估计和 BSDS 上的边缘检测任务中达到了最先进的结果。

Feb, 2017

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

通过在推理时间内优化随机初始化卷积神经网络（CNN），我们提出了一种无监督的超像素分割方法，通过 CNN 从单个图像生成超像素，无需任何标签，通过最小化提出的超像素分割目标函数来实现。我们的方法与许多现有方法相比有三个优点：（i）利用 CNN 的图像预先知识用于超像素分割，（ii）根据给定的图像自适应地改变超像素数量，（iii）通过将一个辅助成本增加到目标函数中来控制超像素的属性。我们在 BSDS500 和 SBD 数据集上定量和定性验证了我们方法的优势。

Feb, 2020

本文基于卷积神经网络提出了一种深度学习系统，能够在高分辨率的航拍图像上检测地物信息并达到了良好的识别精度。

Aug, 2016

通过采用分层抽样和多尺度特征的方法，优化以卷积预测器为基础的像素级预测问题的神经网络结构，显著提高了模型在低级边缘检测、中级表面法线估计和高级语义分割中的性能.

Sep, 2016

本文提出了一个像素级聚类框架，用于将图像分割成区域，而无需使用地面真值标注。该框架包括特征嵌入模块、特征统计计算模块、图像重建和超像素分割，以实现准确的无监督分割。此外，我们提出了一种训练策略，利用每个超像素内部一致性、相邻超像素间的相似性 / 差异性和图像结构相似性。我们还提出了一种后处理方法，以避免由基于超像素的损失引起的过分分割。最后，我们扩展了所提方法用于无监督语义分割。通过在三个公开数据集上进行实验，我们证明了所提框架的有效性。实验结果表明，所提框架优于先前的最先进方法。

Oct, 2023

该论文提出了一种基于预训练模型的多模态语义表示方法，并引入了超像素和多尺度差异图卷积网络来提高视觉语义表达的准确性和精度，从而在多个下游任务学习方面表现出与其他先进方法的竞争力。

Oct, 2023