本文提出了一种开放领域语义分割系统，包括两个模块：一个开放集语义分割模块来检测分布内及分布外的目标对象，和一个少样本学习模块来逐渐将这些边缘领域对象纳入已有知识库。我们采用深度度量学习网络 (DMLNet) 与对比聚类来实现开放集语义分割。相比于其他开放集语义分割方法，在三个具有挑战性的数据集上表现出最先进的性能。此外，本文还提出了两个增量少样本学习方法来逐步提高 DMLNet 的性能。

Aug, 2021

为了检测任何场景中的逻辑异常，本文提出了 SAM-LAD 框架，它是一个零 - shot、即插即用的框架。通过使用预训练的主干网来获取查询图像的特征图，并通过最近邻搜索检索引用图像及其对应的特征图，然后引入 Segment Anything 模型来获得查询图像和引用图像的对象掩模。使用对象匹配模型和动态通道图注意模块进行对象匹配，最后提出了一种用于检测带有逻辑异常的对象的异常测量模型。实验结果表明，SAM-LAD 在检测逻辑异常方面表现优于现有的先进方法。

Jun, 2024

多任务密集预测的研究中，我们通过引入 Segment Anything Model (SAM) 和基于高斯分布的区域表示，解决了部分标注数据、局部对齐和跨任务关系等挑战，提高了在部分监督多任务密集预测场景中的性能。

Mar, 2024

本文提出一种多源元学习无监督域自适应框架（MMUDA）来提高分割转换器到极端事故场景的泛化能力，增强分割骨架，并在 DADA-seg 基准测试中实现 46.97% 的 mIoU 分数，超过先前最先进的模型 7.50% 以上。

Mar, 2022

本文提出了基于区域级别对比和一致性学习框架 (RC^2L) 的半监督语义分割方法，通过引入区域级别损失，包括 Region Mask Contrastive (RMC) 损失、Region Feature Contrastive (RFC) 损失、Region Class Consistency (RCC) 损失和 Semantic Mask Consistency (SMC) 损失，实现了更好的稳定性和性能。在 PASCAL VOC 2012 和 Cityscapes 数据集上的实验结果表明，所提出的方法优于现有最先进方法。

Apr, 2022

探索丰富的语义上下文，通过区域语义对比和聚合技术实现从弱标注数据中学习语义分割，取得了当前最先进的成果。

Mar, 2022

通过引入一种轻量级模块，利用熵量测、分割预测和空间上下文来表征分割模型的不确定性，从而实时检测像素级的极端数据，同时结合生成的合成极端数据进行最大熵训练，我们的方法可以可靠地检测场景中的极端实例，并在语义分割基准测试中表现卓越。

Oct, 2023

本文提出了一种新的 DML 方法，该方法同时学习骨干网络参数、嵌入空间和每个训练类别在该空间中的多模态分布，通过单一的端到端训练过程优于现有最优方法，不仅在标准的精细化数据集上，而且在少样本目标检测问题上也取得最佳结果，并在基于 ImageNet 的情景基准下提供了一个新的少样本目标检测任务。

Jun, 2018

我们提出了一种新的语义实例分割方法，该方法首先计算两个像素可能属于同一个对象的概率，然后将相似的像素分组。我们的相似度度量基于一种深度的，完全卷积的嵌入模型。我们的分组方法基于选择所有与从深度完全卷积计分模型中选择的一组 “种子点” 足够相似的点。我们在 Pascal VOC 实例分割基准测试中展示了竞争性的结果。

Mar, 2017

提出了基于语义重排的多级对齐（SRMA）方法，通过语义区域随机化增强源领域的多样性，并通过多级对齐模块建立全局 - 区域 - 局部一致的域不变表示，有效解决了源目标领域差距问题。实验证明了 SRMA 方法在各项基准测试上的优越性。

Apr, 2024