本文提出了一种简单而有效的可调节语义分割方法（SlimSeg），该方法可以根据所期望的准确度和效率平衡在不同容量下进行推理，并通过阶梯式向下蒸馏的参数化通道精简来进行训练，并引入了边界引导的语义分割损失来改进每个子模型的性能，在 Cityscapes 和 CamVid 等语义分割基准测试中展示了我们提出的 SlimSeg 在各种主流网络上的灵活性能和比独立模型更好的性能。

Jul, 2022

本文提出了一种统一的框架（UN-EPT）来解决复杂场景中的语义分割问题，该框架综合考虑了上下文信息和边界伪影。该模型采用了稀疏采样策略来提高上下文建模的效率，并引入了单独的空间分支来捕捉图像细节，整个模型可以端到端地训练。该方法在三个常用的语义分割数据集上表现出优秀的性能，并具有较低的内存占用。

Jul, 2021

精确分割结肠镜图像中的息肉对于早期诊断和结直肠癌的管理至关重要。我们提出了一种新颖的模型，名为 Edge-Prioritized Polyp Segmentation（EPPS），以克服深度学习所面临的挑战，通过引入 Edge Mapping Engine（EME）来精确提取息肉的边缘，并通过边缘信息注入器（EII）来增强蒙版预测。此外，我们引入了 Selective Feature Decoupler（SFD）来抑制噪声和不相关特征对模型的影响。我们在三个广泛使用的息肉分割基准上进行了大量实验证明，我们的方法相比其他最先进的方法具有出色的性能。

May, 2024

本文提出了一种基于期望最大化 (EM) 框架的增量学习策略，用于快速适应深度分割模型的新类别，具有更好的效果和稳定性，并应用于 PASCAL VOC 2012 和 ADE20K 数据集上进行验证。

Aug, 2021

本研究通过使用基于自监督像素级特征构建的拉普拉斯矩阵的特征向量提高了形状感知的零样本语义分割准确性，实现了比现有成果更好的零样本语义分割表现。

Apr, 2023

提出了一种新的语义分割方法，即显式地建模图像的高频和低频部分，称为目标的对象内部一致性和对象边界，并采用解耦监督的方法对其进行优化。该方法在四个主要路景场景语义分割基准测试中均表现出了最新的技术水平。

Jul, 2020

通过采用基于深度学习的超像素分割方法，在生成严格遵循物体边界的超像素，并传达丰富的视觉意义的过程中存在许多挑战，尤其当面色交叉相关性可能干扰物体时。为了解决这些问题，从神经结构和视觉机制中获得灵感，提出了一种生物网络架构，包括增强筛选模块和新颖的边界感知标签，用于超像素分割。增强筛选模块通过模拟视觉皮层的交互投影机制来增强语义信息。此外，边界感知标签模拟视觉皮层细胞的空间频率特性，以促进生成具有较强边界贴合性的超像素。通过对 BSDS500 数据集和 NYUv2 数据集的评估，证明了该方法的有效性。

Sep, 2023

本研究探讨了计算机视觉中两个常见任务，即自监督深度估计和图像语义分割的相互效益。作者提出通过测量图像分割和深度之间的边界一致性并通过贪婪法迭代监督网络来最小化这种一致性，并通过实验表明，解决了 KITTI 中无监督单眼深度估计问题的状态 - of-art 得到了提高。

Apr, 2020

边缘检测是计算机视觉各种任务中的一项基本技术，本文提出了一种新的自我监督方法用于边缘检测，通过多级、多同态变换技术将注释从合成数据集转移到真实世界数据集，并开发了 SuperEdge 模型，可同时在像素级和对象级粒度上提取边缘，相较于现有的 STEedge 方法，在 BIPEDv2 数据集上展示了 ODS 和 OIS 方面分别提高了 4.9% 和 3.3% 的边缘检测改进。

Jan, 2024

本文提出了一种基于像素级原型对比度的弱监督语义分割方法，通过两种直观的先验知识，对图像的不同视角和单个视角内进行执行，旨在实施跨视图特征语义一致性规则，并促进特征空间的内部（间）类一致性（离散度），从而提高了两个强基线模型的精度，并在 PASCAL VOC 2012 上实现了新的最先进水平。

Oct, 2021