介绍了一种名为 3DGrocery100 的大规模食品数据集，用于细粒度的食品目标识别，包括 100 个类别，由 87,898 个 3D 点云和 10,755 个 RGB-D 单视图图像创建而成，并在 6 个最新的 3D 点云分类模型以及少样本学习和持续学习的分类任务中进行了测试。

Feb, 2024

提出了一种多任务学习策略来解决三维实体标记问题，该方法可以 accurately separate 连通的和扫描不完整的对象，实验表明该方法在 ScanNet 数据集上实现了最先进的性能。

Jun, 2019

使用多任务学习的扩散方法，我们发展了一种半自监督时空方法，通过模拟真实视频的光流和运动来合成可用于训练 DVOS 模型的计算机注释视频；在小麦头部分割方面，我们提出的方法表现出较高的性能，当在无人机捕捉的外部测试集上进行测试时，Dice 分数达到了 0.82。

Jun, 2024

本文介绍了 2017 年 DAVIS 视频物体分割挑战赛，该挑战赛是一个公共数据集，评测方法和比赛，它是为了特别针对视频物体分割任务而设计的，挑战赛遵循其他成功首创的做法，如 ILSVRC 和 PASCAL VOC，DAVIS 挑战赛包括数据集、评估方法和与 CVPR 2017 同地举办的独立工作坊，本文还描述了该基准测试的范围、数据集的主要特征、竞赛的评价指标，并对参赛者的结果进行了详细分析。

Apr, 2017

提出了一种具有判别性的单次拍摄分割跟踪器 D3S2，通过应用两种具有互补几何属性的目标模型，一种对广泛变换不变，包括非刚体变形，另一种假设刚性对象可同时实现稳健的在线目标分割。该跟踪器在不进行数据集微调的情况下，只训练分割作为主要输出，便比所有已发布的跟踪器在最近的短期跟踪基准 VOT2020 上表现更好，并且非常接近于 GOT-10k、TrackingNet、OTB100 和 LaSoT 上的最先进的跟踪器，D3S2 在视频目标分割基准上表现优于领先的分割跟踪器 SiamMask，并与顶级的视频目标分割算法相当。

Dec, 2021

本研究提出了一种新的数据集 DSEC-MOS，用于解决现有运动目标分割数据集中缺乏提高动态场景理解的事件信息的问题，该数据集包含 16 个序列和 13314 张图像，并利用大型模型 SAM 和事件数据生成准确的分割掩码注释。

Apr, 2023

本文介绍了 MSeg 数据集，它统一了不同领域的语义分割数据集，消除了不一致的分类和注释方法，并在零样本交叉数据集转移方面进行了评估，并表明 MSeg 训练可以显著提高模型的鲁棒性和泛化能力。

Dec, 2021

该论文引入了一个新的测试集 D2O，该测试集可以帮助评估模型和衡量计算机视觉和人工智能中的进展，同时缓解现有测试集的一些问题，例如偏见和模型性能被低估等。D2O 测试集由生成图像和网络爬取图像混合而成，没有预备的训练集，旨在重视泛化能力，可预测模型的平均性能，挑战目标识别模型并激发更多研究。

Jan, 2023

通过深度学习和基于多集合的方法对图像进行分割，深度学习方法展示了其优势，并且多集合方法在要求较少计算资源的情况下也能获得令人鼓舞的精确度。

Jul, 2023

本研究介绍一种旨在解决空中图像中物体分割问题的算法，并提出一种新的数据集 iSAID，包含 2,806 幅高分辨率图像和 655,451 个物体实例。在该数据集上的实验结果表明，现有的自然场景中的实例分割算法在直接应用于空中图像时表现欠佳，需要研究社区提出专门的解决方案。

May, 2019