本研究提出了一种基于图像块的无监督图像分割策略，将深度聚类方法中无监督特征提取的进展与经典基于图形的方法的算法帮助相结合。我们展示了一个简单的卷积神经网络，通过使用图割来迭代地正则化图像块的分类，从而自然地实现了最先进的全卷积无监督像素级分割器。此外，我们证明了这是利用由视觉变换器模型生成的图像块级别对偶特征的理想场景。我们在真实图像数据上的结果证明了我们提出方法的有效性。
Nov, 2023
利用预训练视觉转换模型提取输入图像的高级特征，然后利用图神经网络和基于模块性的优化准则，无需依赖预先标记的训练数据，从图像中提取和划分有意义的边界，实现了竞争性能，进而对无监督医学图像和计算机视觉领域做出了贡献。
May, 2024
本文研究了卷积神经网络在无监督图像分割中的应用。我们提出了一种新的端到端网络方法，包括归一化和可微聚类函数，解决了前人固定分割边界的局限性。我们还针对用户输入扩展了该方法，同时保持高效性和准确性。经过在多个数据集上的测试，得出了该方法的有效性。
Jul, 2020
本文介绍了 DeepCluster，一种聚类方法，它能够联合学习神经网络的参数和聚类分配，并应用于卷积神经网络在大型数据集上的无监督训练，取得了显著的性能提升。
Jul, 2018
通过将图割方法与深度学习网络相结合，本研究提出了一种新颖的残差图割损失和准残差连接，实现了有效的特征学习和导向图割分割模型的梯度反向传播，在数据集上验证了良好的分割准确性和对抗性攻击的提高。
Dec, 2023
介绍一种新的无监督图嵌入学习方法，使用自监督技术，通过将节点嵌入进行聚类并预测节点分配情况更新模型参数，加强类内联系和减少类间联系从而更好地保留了嵌入空间中的类簇结构，并在两个基准任务中使用真实世界数据集展开比较实验，证明了该模型在准确性方面比现有基线方法优越，特别地，在节点聚类方面的准确率提升了超过 7%
Sep, 2020
本研究采用基于图形的算法，通过利用自我监督变压器获得的特征来检测和分割图像和视频中的显着对象，并最终通过经典的归一化割算法解决检测和分割问题，并在多个常见的图像和视频检测和分割任务中实现了最新的结果。
Sep, 2022
本研究提出了一种基于 normalized cut 的 loss function 的语义分割方法，相比于传统的弱监督学习方法可以显著提高训练质量。
Apr, 2018
本文提出了 DeepCut 算法，使用神经网络分类器和 CRF 条件随机场以及弱监督技术，从带有边界框标注的图像数据集中训练对象分割模型，取得了在胎儿磁共振图像数据集的脑和肺分割问题上具有良好精度的结果。
May, 2016
使用深度学习、高斯混合模型和卷积神经网络方法，本研究提出了一种可以快速预测标签概率的图像分割方法，并且能部分克服高斯混合模型中忽略相邻像素相关性的缺点，通过在多序列 MRI 图像上进行心肌梗塞分割的实验证明了该方法的优势。
Apr, 2024