本文提出了一个针对受大气湍流影响动态场景的两阶段无监督前景目标分割网络。在第一阶段，我们利用湍流变形的图像序列的平均光流来提供一个新颖的区域生长算法，为视频中的每个移动物体构建初步的掩膜。在第二阶段，我们采用具有一致性和分组损失的 U-Net 架构进一步优化这些掩膜，优化它们的时空对齐。我们的方法不需要标记的训练数据，并且适用于长距离视频的各种湍流强度。此外，我们发布了第一个受湍流影响的移动目标分割数据集，包含手动注释的地面实况掩膜。在这个新数据集上评估，我们的方法相比当前最先进的无监督方法展现出了优越的分割准确性和鲁棒性。

Nov, 2023

我们研究了从真实大规模原始点云序列中自监督估计 3D 场景流的问题，该问题对于轨迹预测或实例分割等各种任务至关重要。我们提出了一种新颖的聚类方法，允许组合重叠的软聚类和非重叠的刚性聚类表示。我们的方法在多个具有 LiDAR 点云的数据集上进行了评估，证明了优于自监督基线的卓越性能，达到了最新的技术水平。特别是在解决含有行人、骑自行车者和其他易受伤害道路用户的复杂动态场景中，我们的方法表现出色。我们的代码将公开提供。

Apr, 2024

本文提出了一个新的基于无监督方法的框架，用于处理大规模混杂无序的人群数据，通过学习空间、时间和动态维度之间的相关性并自动结构化数据，从而实现了对场景语义的全面描述，并基于此提出了人群数据可视化、模拟评估和模拟引导等新方法。

Apr, 2020

我们提出了一个用于无监督语义分割的轻量级聚类框架，基于自监督视觉变换器的注意特征，通过将这些特征聚类成少量的聚类中心，我们能够将前景和背景的图像补丁分开成不同的组。我们的框架在无监督语义分割方面展示了很大的潜力，并在 PASCAL VOC 和 MS COCO 数据集上取得了最新的成果。

Nov, 2023

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

提出一种新的半监督图像分割方法，利用径向基函数和经典相关分析算法，通过对少量标记数据进行训练，提取图像的规则变量，并应用 k 均值聚类算法进行分割。

Jan, 2024

本文介绍了如何利用基于自组织映射（Self-Organizing Maps，SOM）的聚类方法来分析近期产生的空间物理过程的大量仿真和观测数据，并得出了聚类图，该图可以很好地定位整个过程中各个区域的特征，因此该方法是一种有前途的数据分析工具，可以用于空间物理过程的仿真和观测数据的分析。

Apr, 2023

基于三维流场理论，提出了一种基于局部速度信息的分割标准和基于局部涡量与涡尾之间关系的分类标准的流场分割及分类深度学习方法，能更准确地识别涡旋结构，并在准确分类涡尾类型的同时，大幅度减少时间消耗。

May, 2023

本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术，并在多个医学图像数据集上进行了验证和表现优于其他方法。

Feb, 2019

提出一种基于机器学习技术的主动学习方法，用于对超像素进行层次聚合分割，并在 3D 电子显微镜（EM）影像和自然影像的数据上，利用信息变异度来衡量分割精度，在比较实验中，证明了该方法在分割准确度上优于其他算法。

Mar, 2013