本文介绍 PartNet 数据集，该数据集是一个一致的、大规模的、带有精细的、实例级别的和分层的 3D 部分信息的 3D 对象的注释数据集。我们提出了三种评估 3D 部分识别的挑战，包括细粒度语义分割、分层语义分割和实例分割，并基于该数据集进行了实验，结果表明其优越性能。

Dec, 2018

本文提出了一种利用无类别部件分割来减少标注难度并能适用于未知目标的部件分割方法，并通过对象感知性和自监督学习的方式对此进行了改进。

May, 2023

本文介绍结合人类先验知识和端到端学习以提高深度神经网络的鲁棒性，并引入了一种面向目标分类的基于部件的模型，相较于基准模型 ResNet-50，我们的基于部件的模型在三种数据集上实验表明都具有更高的准确性和更高的适应性。

Sep, 2022

该研究提出了一种弱监督的部件检测网络（PartNet），能够检测出细粒度分类所使用的具有辨别力的局部部分，在 CUB-200-2011 和 Oxford Flower 102 数据集上实现了最新的最高性能。

Jun, 2018

本文提出了一个具有部分分割能力的检测器，可以通过多粒度对齐来预测开放词汇的物体和它们的部件分割，并通过密集语义对应将新物体解析为其部件。该方法在不同数据集上的实验表现优于基线方法，并且具有更好的数据通用性。

May, 2023

我们提出了一个开放词汇的部分分割 (OV-PARTS) 基准测试，涵盖了对象级开放词汇语义分割、部分分割和少样本适应能力等三个任务，并分析和使用现有方法的两个流行范例为 OV-PARTS 提供基础模型。

Oct, 2023

本论文介绍了一种可学习的基于特征组的图像分类方法，通过联合学习图像分类器和一组共享的部分来实现，避免了使用引擎启发式算法的过程，并引入了负部分的概念来补足其他方法只寻找正相关性的缺陷。

Dec, 2014

介绍了 KeypointNet：第一个大规模、多样化的 3D 关键点数据集，它包含来自 16 个对象类别的 103,450 个关键点和 8,234 个 3D 模型，通过利用大量的人类注释。为了处理来自不同人员的注释之间的不一致性，通过最小化保真度损失，我们提出了一种聚合这些关键点的新方法。最终，在我们提出的数据集上对十种最先进的方法进行了基准测试。

Feb, 2020

本文讨论了有限样本下的目标分割，并提出了可以通过少量的像素级别注释来训练模型的 FSS-1000 数据集以及使用标准骨干网络如 VGG-16，ResNet-101 和 Inception 进行训练该模型，结果表明其训练结果甚至比使用 ImageNet 进行预训练的模型更好。

Jul, 2019

本文提出利用无监督学习的方法发现物体的不同部位，通过神经网络构建特征并实现物体识别和部位检测。

Dec, 2020