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

本文介绍一种基于人工交互的视频对象分割方法，使用深度学习技术进行交互式图像分割，并应用于视频对象分割中。在 GrabCut 数据集上，我们的方法以仅需 3.8 次点击的平均值获得 90％的 IOU，与当前最先进的方法相比，具有更高的准确性。此外，我们研究了用户的使用模式和提供的纠正类型等，为进一步改进交互式视频分割提供重要的见解。

Dec, 2017

本研究介绍一种新颖的基于深度学习的算法来解决交互式物体选择的问题，该算法可以将用户提供的正负反馈转换成欧几里得距离图，并与图像的 RGB 通道拼接，采用多种随机采样策略生成图像和用户交互对，通过 Fine-tune 深度反卷积网络，最终结果融合图像概率图和图切割优化，实现对物体边界的精细提取。实验结果表明，该算法具有较好的泛化能力，优于所有现有的交互式物体选择方法。

Mar, 2016

本文提出了一种利用卷积神经网络进行互动分割编辑的独特训练策略，并通过与现有算法的比较表明其具有卓越的性能，且不仅限于二元分割，可用于形态测量以及效率的提升。

Jul, 2018

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

我们介绍了交互式图像分割框架，用于提取单个目标和相同类别中的多个目标的满意掩码。通过利用 Transformer 骨干网络从图像和交互中提取特征，我们的模型能够达到比以前方法更好的性能，减少用户的劳动量并具备灵活和实用的注释工具的潜力。

Jun, 2024

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

本文提出了一种基于深度交互式分割模型的交互式对象分割方法，并利用真实人类注释数据集发布了一个实例分割数据集，同时还提供了一个自动评估模型以更好地保证注释质量。

Mar, 2019

本文介绍了一种基于深度神经网络的交互式方法，用于航空影像的多类别分割，通过与用户注释的拼接，不断优化分割结果，从实验中证明了用户注释在该方法中具有重要意义。

Mar, 2020