本研究提出了一种新的超像素标签软化方法来处理医学图像分割中的不确定性标注问题，将软化后的标签与硬标签一起用于训练分割模型，在 3D 和 2D 医学图像中均取得了相对于基线和对照方法的优异分割表现。

Jul, 2020

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

本研究提出了一种名为 SUPRA 的方法，结合 SLICLoss 和 BCE loss，使用数据聚类技术对内窥镜图像进行分割处理，能够有效提升深度学习方法的跨模态泛化性能，减小因颜色变化造成的误差，实验结果表明本方法相较于传统方法可以提升近 20% 的目标领域分割精度。

Nov, 2022

通过使用超像素与现代 Transformer 框架相结合，本研究提出一种能在语义分割领域获得最先进性能的方法，通过学习将像素空间分解为低维超像素空间，并运用多头自注意力机制来丰富超像素特征以获得全局上下文信息，最终实现了更高的计算效率和模型性能。

Sep, 2023

通过基于超像素采样的方法和使用统计过程控制的梯度来训练和测试，该论文提出了一种在 Pascal Context，SUN-RGBD 数据集上性能优于或等于传统方法的语义分割网络，减少了上采样运算的复杂度。

Jun, 2017

该研究提出了一种基于超像素的分割学习方法，通过噪声感知训练和噪声标签改进相结合，利用其结构约束来提高分割标签的鲁棒性，实现在标签噪声范围内的有效学习

Jul, 2021

研究论文提出用种子迭代聚类方法进行分割，以解决在病理学中生成稠密注释的困难，并为神经网络隐表示的转移学习提供了比较框架

Nov, 2022

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

本文提出了一种使用简单的全卷积网络预测超像素的新方法，以及在此基础上进行稠密预测任务下采样 / 上采样方案的改进，实验结果表明该方法能够在 50fps 的速度下取得最先进的超像素分割性能，并且在公共数据集上能够获得更好的视差估计精度。

Mar, 2020

本研究采用基于超像素的语义分割，考虑三种不同级别的邻域上下文，采用最大投票和加权平均等集成方法，利用 Dempster-Shafer 理论分析各类别之间的混淆，并在相同数据集上证明我们的方法优于其他现代方法。

Mar, 2018