无监督语义分割是发现和识别有意义类别而不使用任何标签的方法之一，本文提出了一种新的无监督语义分割框架（EQUSS），它结合了高维空间的好处以进行更好的聚类和产品量化以实现有效的信息压缩，并在三个标准基准测试中取得了最先进的结果。此外，我们还分析了 USS 特征的熵，这是从信息理论的角度理解 USS 的第一步。

Dec, 2023

该论文介绍了 ClaSP 一种基于二元时间序列分类器的无超参数时间序列分割方法，通过两种新方法学习主要参数，并在 107 个数据集基准测试中优于现有技术，无需设置超参数且快速可扩展。

Jul, 2022

该研究提出了一个新的大规模无监督语义分割的问题（LUSS），并创建了一个基准数据集来帮助研究。该基准数据集名为 ImageNet-S，包含 120 万个训练图像和 50K 高质量的语义分割注释进行评估。此外，研究人员还提出了一种简单而有效的方法，可用于大规模无监督语义分割，并且公布了代码和基准数据集。

Jun, 2021

本文关注于长尾语义分割 (LTSS) 这一相对未经深入研究的任务设置，建立了三个代表性数据集，并提出了基于 Transformer 的改进算法，用于解决应用语义分割技术在自动驾驶和虚拟现实中遇到的长尾问题，并通过 LTSS 评估系统和基准进行性能展示，旨在推动对语义分割任务的实证研究。

Jun, 2024

Ubiquitous sensors produce high frequency streams of numerical measurements which can be segmented using the ClaSS algorithm based on self-supervised time series classification and statistical tests to detect change points.

Oct, 2023

本文提出了一种基于多视角对比损失的自监督无监督远程感知变化检测方法，利用伪孪生网络在大型数据集上进行对比式预训练。实验表明该方法能够显著提高状态最先进的无监督方法的准确性，并使无监督和有监督变化检测之间的差距变小。

Mar, 2021

本研究提出了一种新的基于深度学习的无监督方法，用于从 IoT 数据中映射出可解释的状态和转换。经过大量实验表明，该方法优于现有技术，并学习更微妙的断点边界。

Jan, 2018

我们解决了在各种交通场景下，对室外 LiDAR 点云进行无监督语义分割的问题，通过建立多帧之间的时空对应关系，将点云序列的时空特征引入强化扩充，融合聚类和伪标签学习，以无监督的学习方式学习辨别特征，展现出在自动驾驶车辆和交叉口基础设施方面的分割性能在 Semantic-KITTI，SemanticPOSS 和 FLORIDA 基准数据集上表现得很有竞争力，该通用框架可以为 LiDAR 点云的统一表示学习方法融入领域知识。

Aug, 2023

本研究提出了一种名为语义关注网络（Semantic Attention Network，SAN）的模型，在无监督的图像语义分割（UISS）任务中采用 “语义关注（Semantic Attention）” 模块生成像素级和语义级特征，该模型具有较好的特征一致性和特征匹配性能，在多个数据集上超过已有方法的分割效果。

Nov, 2022

本文提出了一种利用过去帧信息改善当前帧预测的基于 LiDAR 点云时序的语义分割模型，通过使用记忆网络存储、更新和检索过去信息，并在点云邻域中惩罚预测变化，构建稀疏的 3D 潜在表示来克服遮挡等限制，实验证明该方法在 SemanticKITTI、nuScenes 和 PandaSet 数据集上比现有方法更有效。

Nov, 2023