本文提出了一种基于深度学习和语义分割的方法，利用分离的内部 - 外部边界注意力模块，从单色图像中学习和选择性地集成玻璃表面的内部和外部区域的视觉特征，以检测玻璃表面，取得了与其他先进方法相媲美的结果。

Jul, 2023

借鉴比例整合策略和改良方法，我们提出了一种全新的名为 MGNet 的网络，它包括一个 Fine-Rescaling 和 Merging 模块（FRM）来提高提取空间关系的能力，一个 Primary Prediction Guiding 模块（PPG）来更好地从融合后的特征中挖掘剩余语义，并且我们使用一种新的带有不确定性感知损失的损失函数来监督模型生成高置信度的分割地图。与现有的必须在不同设置下训练的玻璃分割模型不同，我们的模型在统一设置下训练，并在三个流行的公共数据集上取得了卓越的性能。可在指定链接获取代码。

Feb, 2024

本文提出了选择性互动进化（SME）模块，并引入了结构化精细的细化（SAR）模块和反向演化的特征进化网络（RFENet），成功地实现了玻璃样的物体分割，性能优于三个公共数据集。

Jul, 2023

通过使用视觉基础模型，我们提出了一个名为 GEM 的简单玻璃表面分割器，该分割器能够自适应地识别玻璃表面特征，并在 GSD-S 验证集上达到了新的最佳性能（IoU+2.1%）。

Jan, 2024

本文介绍了一种基于对比边界学习（CBL）的方法，在多个尺度上利用场景上下文来增强点之间边界对比的特征鉴别力，提高了 3D 点云分割的性能，尤其是在场景边界上的表现

Mar, 2022

本研究提出了使用边缘信息指导的表征学习网络 ERL-Net，该网络包括边缘指导的 attention 模块和特征聚合模块，以及一种宽而不对称的感受野块，用于改进水下物体检测中的低对比度、小目标的识别。实验证明，该方法在三个挑战性的水下数据集上均取得了优异的表现。

Jun, 2023

本文提出了一种基于边界感知的图像分割网络，它包含一个预测 - 优化的体系结构和一个混合损失函数，可用于高精度图像分割，并在显著对象分割和伪装对象分割等任务上展示了出色的性能。基于该网络，开发了 “AR COPY＆PASTE” 和 “OBJECT CUT” 两个商业应用，可供公众使用。

Jan, 2021

通过将深度卷积神经网络应用于边界检测任务，结合精心设计的损失、多分辨率架构和外部数据的训练，结合基于 Normalized Cuts 技术的聚类方法的深度学习，将边界检测的最优分割数据量的 F 测量从 0.780 提高到 0.808，成功提升了现有技术水平，并在与语义分割任务相结合的测试中表现出对现有系统的明显改进。

Nov, 2015

使用人类错误修正智慧，作者提出了一种名为 GlassSegNet 的新型玻璃分割网络来检测透明玻璃，该网络分为识别阶段和修正阶段，并在三个基准数据集上展示出比三十四种最先进方法更具明显的改进效果。

Apr, 2023

本文介绍了一种有效解决边缘检测中生成粗糙模糊边缘线的方法，该方法利用轻量级预训练主干网络、多尺度上下文信息聚合模块 (MCGI)、边界校正模块 (BCM) 和边界优化模块 (BRM) 来改善边缘图像的视觉效果，并通过基于 Tversky 指数的混合损失函数解决像素分布不平衡的问题。在三个标准基准数据集上进行实验，结果表明该方法在 BSDS500、NYUD-V2 和 BIPED 数据集上均取得了最佳性能。

Jun, 2024