本研究提出一种基于迭代式训练策略的交互式对象分割系统，利用用户输入的 clicks 作为卷积网络的输入，相较于现有的启发式 click 采样策略，本方法取得了更优的分割结果。

May, 2018

本文提出了一种基于半自动学习的合作分割方法，结合了完全卷积神经网络和活动用户模型进行训练，在医学图像处理领域有很大应用价值，并通过交互方式不断优化分割效果。

Sep, 2017

本文提出了一种新的交互式架构和训练方案，旨在更好地利用用户工作流，并展示出引入专门设计用于复杂对象边界的合成训练数据集可以进一步获得显着的改进，该网络达到了最先进性能。

Mar, 2020

本文提出一个新的基于深度学习的交互分割框架，该框架将卷积神经网络（CNN）引入到边界框和涂鸦分割管道中，并提出了图像特定的微调和考虑网络和交互不确定性的加权损失函数来提高 CNN 模型的性能，实验结果表明我们的方法比现有的 CNN 方法更鲁棒，并能够在更少的用户交互和更短的时间内获得准确的分割结果。

Oct, 2017

本文提出了一种基于用户纠错信息的 object segmentation 方法，使用卷积神经网络进行模型训练，并实现了在测试时动态更新模型参数以适应数据的特点，从而在 8 个不同数据集上得到了较为优异的实验结果。

Nov, 2019

本文提出了一种深度学习交互分割方法，通过将用户交互与 CNN 结合，使用测地距离变换来提高自动 CNN 分割的精度和鲁棒性，并将用户交互作为硬约束集成到反向传播式 CRF 中，以实现在更高的精度下减少用户干预的目的。实验结果表明，与传统的交互式方法相比，该方法在自动 CNN 分割的基础上实现了大幅提升，并且在少数用户干预和更短的时间内具有可比甚至更高的准确性。

Jul, 2017

本研究提出了一种新的计算机视觉交互系统的评估和学习方法，利用一个主动机器人用户 —— 一个人类用户的模拟模型，将用户参与到系统训练过程中，以此来评估和学习交互分割系统的参数，同时提出了一种在优化问题中整合模拟用户模型的方法。

Dec, 2009

本文介绍了一种基于深度学习的医学图像自动分割和半自动标注方法，该方法将自动分割和交互式分割结合到单个深度学习模型中，并允许易于集成基于不确定性的排名策略和主动学习。该方法通过使用标准训练结合用户交互模拟进行训练，可以显著减少专家标注医学影像的时间和精力。

May, 2023

通过使用基于图像标记的特征学习方法，我们能够选择一小组图像来训练 U 形网络的编码器，从而达到与手动选择相等甚至超过使用反向传播和所有训练图像训练的同一 U 形网络的性能。

Jun, 2024

本文提出了一种基于深度学习的交互式视频对象分割方法，通过卷积神经网络进行交互和传播两个核心操作，并通过新的多轮训练方案，使网络能够学习如何理解用户的意图和更新不正确的估计，实现高质量和快速的分割，并在 DAVIS 挑战赛上跑得更快、更准确，实现了真实用户交互。

Apr, 2019