本文介绍 PartNet 数据集，该数据集是一个一致的、大规模的、带有精细的、实例级别的和分层的 3D 部分信息的 3D 对象的注释数据集。我们提出了三种评估 3D 部分识别的挑战，包括细粒度语义分割、分层语义分割和实例分割，并基于该数据集进行了实验，结果表明其优越性能。

Dec, 2018

本研究提出了一种新的LIDAR语义分割方法，称为3D-MiniNet，该方法结合了3D和2D学习层。该方法利用投影学习模块提取3D数据的局部和全局信息，并通过后处理模块将2D语义标签重新投影到3D空间中，在SemanticKITTI和KITTI公共基准测试中表现出比以前的方法更快、更节约参数的优势，并得到了最先进的结果。

Feb, 2020

本文提出了一种新的框架，通过在目标级别和部分级别上结合技术对场景中物体中多个实例和多个部分进行语义分割，其中包括类别条件模块和基于邻接图的模块来解决不同级别的歧义问题。在Pascal-Part数据集上的实验证明了该框架的有效性。

Jul, 2020

本文介绍了一种以深度聚类为基础的三维形状部分分割方法, 通过学习来自具有细颗粒度分割但没有零件标签的形状数据集的部分先验, 它通过最小化新型低秩损失来实现部分分割并表现出优秀的性能。

Mar, 2021

本文提出了一种新的粗到细的语义分割架构的学习任务，以应对不同数据集和任务的领域变化，并设计了一种新的方法，使用最大平方损失来对齐源和目标领域，引入了知识蒸馏约束来传递网络能力，以及设计了粗细权重初始化规则。在实验中表明该方法优于主要竞争对手。

Jan, 2022

提出了通过结合主动学习和半监督学习来减少标注样本数量的新算法，应用于语义分割任务取得了优异的成果。

Mar, 2022

本文提出新的计算机视觉方法，使 3D 语义分割可以更好地理解具有更多类别和自然分布的真实环境，并在新的扩展基准上测试，使用语言驱动的预训练方法使特征更鲁棒。实验结果表明，我们的方法在提出的基准上始终优于现有技术。

Apr, 2022

提出了一种新的自我训练策略，允许模型从未来中学习，可以提高合成标签的质量，从而提高半监督学习任务的性能表现。

Sep, 2022

FMAS是一个快速的多目标神经架构搜索框架，用于语义分割。通过在搜索期间对DeepLabV3+结构和预训练参数进行子采样且无需微调，FMAS显著减少了训练时间，并使用验证数据集的子集进一步降低候选模型的评估时间。最终，只有最终的Pareto非支配候选者才使用完整的训练集进行微调。在PASCAL VOC 2012数据集上搜索性能更强且计算成本更低的模型时，FMAS可以快速找到具有竞争力的设计，例如，在仅使用0.5 GPU天的时间内，它可以找到一种DeepLabV3+变体，其FLOPs和参数分别减少了10％和20％，而误差仅增加了不到3％。我们还在名为GAP8的边缘设备上进行搜索，并使用延迟作为指标。FMAS可以发现比现有体系结构快2.2倍的神经网络，MIoU损失仅为7.61％。

Mar, 2023

我们提出了SegRCDB，这是一种新型的用于语义分割的预训练数据集，它基于公式驱动的监督学习，在没有真实图像或手动语义标签的情况下实现了语义分割的预训练，为大规模数据集的创建和调查提供了可能性。

Sep, 2023