本文提出了一种基于学习的方法，采用新的数据集进行轮廓图的生成和处理，可以精确定位视觉场景的轮廓和边界，相对于传统的边界检测方法有更好的性能表现，并且在 BSDS500 上取得了最新的性能成果。

Jan, 2019

我们提出了一个可微分模型，用于明确地建模边界，包括轮廓、角点和交叉点，并使用我们称之为边界注意力的新机制。我们展示了即使边界信号非常弱或被噪声淹没，我们的模型也能提供准确的结果。与找到微弱边界的先前经典方法相比，我们的模型具有可微的优势，适用于更大的图像，并自动适应图像每个部分的适当几何细节水平。与通过端到端训练找到边界的先前深度方法相比，它具有提供亚像素精度、更具噪声鲁棒性以及能够以原生分辨率和长宽比处理任何图像的优势。

Jan, 2024

研究了边界估计和预测未来未观察到帧的边界能力，结合直观物理的概念，通过自然视频帧和合成序列的实验，发现 rgb 融合和边缘预测能够促进 rgb 预测的提升。

Nov, 2016

本文提出了一种基于向量转换函数的边界预测方法，避免了传统的类别不平衡导致的粗边界问题，可同时估计方向和上下文信息，并在多个数据集上证明其出色的性能。

Mar, 2022

通过两个组件：外观拾取指导和布局绘制指导，我们提出了 Pick-and-Draw，一种无需训练的语义指导方法，以提高个性化方法的身份一致性和生成多样性。定性和定量实验证明，Pick-and-Draw 不断改善身份一致性和生成多样性，将主题忠实度与图像 - 文本忠实度之间的权衡推向一个新的帕累托前沿。

Jan, 2024

该论文提出了一种区域吸引力线段地图，将线段检测（LSD）问题视为区域着色问题，通过吸引力场地图（AFM）转换为线段地图，提出了一种端到端框架，借助压缩模块检测线段，并在线框数据集和约克城市数据集上进行了全面实验，证明方法的优越性。

Dec, 2019

本文提出了一项弱监督技术用于生成边界检测的标注，仅使用边界框的标注数据即可在目标边界检测任务中达到高性能。该方法在边界检测任务上表现优于当前最先进的完全监督方法。

Nov, 2015

通过多区域迁移学习适应目标区域的模型权重，提出了一种用于卫星图像中农田边界分割的方法，在缺乏标记数据的地区，我们的方法优于现有方法，并且多区域迁移学习显著提升了多个模型架构的性能。

Mar, 2024

使用稀缺土地勾画伪标签进行精调模型在大范围应用中具有很好的性能，并且在缺乏标注数据的情况下，伪标签的使用可以显著提高模型的性能，尤其是在 Sub-Saharan Africa 等标注数据匮乏的地区。

Dec, 2023

基于轮廓空间的边界损失可弥补高度不平衡问题，结合标准区域损失，实现 N 维分割的深度网络架构，显著提高训练稳定性。

Dec, 2018