本研究基于层次语义分割网络，提出了一种基于先验模型的深层次 CNN 网络结构，用于高分辨率文档图像的结构提取，通过在文档图像中将其分成互相重叠的水平条带进行分割，本网络得到了优秀的效果，我们还新建了人工标注的文档表单数据集并在此数据集上进行实验，对比不同分割 baseline 方法证明了本网络算法在分层结构提取上的高效性。当前，此算法已用于 Adobe 的 AEM Forms，实现了纸质和 PDF 表单的自动转换为现代 HTML 表单。

Nov, 2019

本文提出了一种用于分层语义分割的新架构 HSSN，它可将现有的分割网络有效地应用于分层语义分割，通过像素嵌入和类别层次结构来实现像素级多标签分类和更好的分割。

Mar, 2022

通过引入形态结构指导标记，提出了一种深度模型来诱导单词的字符级结构，该方法在形态分割任务和语言建模任务上表现良好，并优于 BPE 和 WordPiece 等广泛采用的方法。

Jun, 2024

通过将结构化预测降低到一系列无约束的预测问题，本文演示了该方法能够自动从数据中发现形状，区域预测的连续性和区域轮廓的平滑性的先验知识，从而在实例分割任务上优于最先进的技术。

Nov, 2015

本文通过使用视觉 Transformer 在语义标记空间中密集地建模标记关系并减少卷积计算量，从而在 ImageNet top-1 和 LIP，COCO-stuff 图像分割测试上表现出了显着的优势。

Jun, 2020

在视觉 - 语言预训练框架中，通过提供语义上有意义的视觉标记给 transformer 编码器，本文探索了视觉 transformer 在学习综合和组合性视觉数据表示方面的限制，并通过使用现成的分割和场景图模型，提取了实例分割掩码（称为有形标记）和关系动作（称为无形标记）的表示，从而在视觉 side 的 transformer 预训练中引入了这些新增的标记，并将得到的嵌入与文本编码器中的标题嵌入对齐。实验结果表明，在 COCO 数据集上，相比 ViTs，在文本到图像（+47%）和图像到文本（+44%）检索任务中学到了更好的表示质量，并且在组合性评估基准（如 ARO（+18%）和 Winoground（+10%））上展示了优势。

May, 2024

人类视觉识别系统显示了惊人的能力，能够将视觉信息压缩为一组包含丰富表示的令牌，无需标签监督。本文提出了感知分组标记器，一种完全依赖于分组操作的模型，用于提取视觉特征和进行自监督表示学习，其中一系列分组操作被用于迭代地假设像素或超像素的上下文，以改进特征表示。我们表明，与最先进的视觉架构相比，所提出的模型在性能上具有竞争力，并且具有自适应计算和可解释性等可取的属性。具体而言，感知分组标记器在 ImageNet-1K 自监督学习基准测试中以线性探测评估获得 80.3％的性能，标志着这一范例的新进展。

Nov, 2023

通过无监督学习，本研究提出了一种基于像素、分割区域和完整图像级别同时学习的分层图像识别方法，通过引入自适应段落令牌和图池化来实现多尺度分割，同时提高识别精度和计算效率。

Oct, 2022

本文提出了一种新颖的结构和统计纹理知识蒸馏框架（SSTKD），通过引入轮廓线分解模块（CDM）和去噪纹理亮度均衡化模块（DTIEM）来结合结构和统计纹理知识，其中，CDM 通过迭代 Laplacian 金字塔和方向性滤波器组对低级特征进行分解，而 DTIEM 则通过启发式迭代量化和去噪操作来自适应地提取和增强统计纹理知识，最后，每个知识学习都由一个单独的损失函数进行监督，从更广泛的视角促使学生网络更好地模仿老师，并且实验表明，所提出的方法在 Cityscapes，Pascal VOC 2012 和 ADE20K 数据集上实现了最先进的性能。

May, 2023

通过共识训练和鲁棒性损失函数，实现面部像素细分，并保持空间一致性，得到更少伪影、更少稀疏遮罩和更空间连续的像素预测。

Nov, 2019