本文提出了一种基于深度学习的机器人物体分割方法，通过解决两个子问题：机械臂与物体与背景的分割和物体与机械臂的分割，实现了无需人工标注数据即可训练网络的自我识别能力，实验证明该方法优于现有最优的自适应手持物体分割算法，并通过测试数据表明使用包含手持物体的自动标注图像的训练集可以提高物体在环境中的分割性能。

Apr, 2019

为了使机器人能够在非结构化环境中起作用，该研究提出了一种名为 UOIS-Net 的新颖方法，该方法利用合成 RGB 和深度数据分别用于识别表面上未见过的物体，并且可以训练机器人对它们进行抓取。通过提供大量的实验结果，本研究证明了该方法优于同类方法。

Jul, 2020

本篇论文提出了一种使用合成 RGB 和深度图像数据实现表面外目标实例分割的新方法，该方法能够学习非真实感 RGB-D 数据，并在机器人抓取任务中表现出色。

Jul, 2019

通过使用机器人的互动和设计的具有变换不变性的体框特征，我们提出了一种改正不准确分割的新方法，可以显著提高不确定性驱动的分割准确性，并实现平均 80.7% 的物体分割准确率，相较其他最先进的无人物体实例分割方法提高了 28.2%。

Mar, 2024

本研究提出了一种零样本物体检测器，适用于开放集合，且不需预先知道物体类型，可以在抓取物体前几张图像后即可加入物体作为新的类别，并通过将未见物体分割网络级联零样本分类器的方式来打破分割管道的步骤。

Apr, 2023

通过学习来自合成数据的 RGB-D 特征嵌入，引入了一种新的方法来实现未知物体实例的分割，其中使用度量学习损失函数来产生像素级特征嵌入，以便在嵌入空间中将同一对象的像素靠近，并将不同对象的像素分开。通过使用学习到的特征嵌入，可以将平均漂移聚类算法应用于发现和分段未知对象，对此进一步改进了分段的准确性。我们的方法证明，非真实光线的合成 RGB 和深度图像可以用于学习特征嵌入，从而实现在未知物体实例分割方面的好的迁移效果。

Jul, 2020

本文提出了一种基于神经网络的视频分割方法，用于区分视频帧中独立运动的物体，并利用对象运动、外观和时间一致性等多个信息源，通过对数据进行训练得到模型，经过评估表明该模型在 DAVIS、Freiburg-Berkeley 运动分割数据集和 SegTrack 等数据集上表现良好。

Dec, 2017

该论文提出了自监督学习的迁移学习方法，通过机器人与环境互动自主地推动未知物体并使用光学流来创建自我标记的训练数据以实现实例分割。最终，他们提出的 SelfDeepMask 模型在挑战性场景下对 DeepMask 模型的平均精度提高了 9.5%。

May, 2020

通过利用深度融合技术和深度学习的物体检测和语义分割算法，我们成功地解决了在复杂场景中感知目标物体的问题，并在 Amazon Picking Challenge2016 和紧急响应场景数据集上进行了验证。

Oct, 2018

本文针对对象发现这一问题，通过选择动态对象并使用自编码器提取图像特征并加入来自运动分割的弱学习信号，成功地从复杂场景中分离出运动和静止的动态对象，相较于其它抽象特征的方法在 KITTI 数据集上有更好的表现。

Mar, 2022