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

本文提出一种用于联合部分和对象分割的鲁棒方法，即将对象和部分分割重新表示为优化问题，并构建分层特征表示，其中包括像素、部分和对象级别嵌入，以自下而上的聚类方式解决它。

Jun, 2023

研究无监督发现和分割物体部分的问题，通过分离物体部分的外貌和形状表示来进一步优化分割性能，获得更一致的具有语义意义的部分。

May, 2021

本研究探讨了物体分割的任务，通过使用语义分割系统和限制玻尔兹曼机的有益信息，结合 Dense CRF 标签，采用判别式方法提高了语义部分分割的性能，并在 PASCAL 数据集上展示了优越的性能。

May, 2015

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

自主机器人在医院的辅助任务中的应用有可能解放合格员工，提高病人护理质量。然而，在医院环境中存在大量变形和透明物体，这对基于视觉感知系统带来重大挑战。我们提出了 EfficientPPS，一种用于部分感知全景分割的神经结构，可为机器人提供语义丰富的视觉信息以进行抓取和操纵任务。我们还提出了一种无监督数据收集和标记方法，以减少人工参与训练过程的需求。EfficientPPS 在包含真实医院物品的数据集上进行评估，并在与协作机械臂抓取透明输液袋方面表现出了强大和高效。

Dec, 2023

在大规模仓库中，对于机器人的货箱拾取来说，精确的实例掩模至关重要，但往往很难获得。本文提出了一种新的基于补丁引导的实例分割解决方案 SKU-Patch，利用每个新的 SKU 仅需少量图像补丁来预测准确和稳健的掩模，避免了繁琐的手动操作和模型重训练。技术上，我们设计了一种新颖的基于 Transformer 的网络，具备（i）用于捕捉由补丁信息校准的多层次图像特征的图像补丁 - 图像相关编码器和（ii）带有并行任务头的补丁感知 Transformer 解码器，用于生成实例掩模。在四个仓库基准测试上进行的大量实验证明 SKU-Patch 能够在性能上超过现有最先进的方法。此外，SKU-Patch 在机器人辅助的自动货运管道中对 50 多个未见过的 SKU 的平均抓取成功率接近 100％，显示出其有效性和实用性。

Nov, 2023

本文介绍了以往自我监督的学习方式大多聚焦于图像级的表示学习，不能为无监督图像分割等需要空间多样的表示的任务带来改进，通过自我监督学习物体部件提出了新的解决途径，并结合目前趋势的 Vision Transformer，利用稠密聚类任务进行空间标记的微调，取得了在语义分割基准测试上超过 17%-3% 的最先进结果，且在完全无监督分割方面也具有重大潜力。

Apr, 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

本文提出一种基于概率分布的实例分割方法，利用潜在编码来建模物体掩膜的可能假设，从而降低机器人应用中的临界错误率。在实际服装拣选机器人上，该方法成功降低了错误率并提高了性能。

May, 2023