本研究提出了一种新颖的无需提案的实例分割方法，其可处理跨越图像大部分并形成密集对象集群的复杂对象形状。该方法基于预测密集局部形状描述符，将其组装成实例。我们的方法是首个生成由学习的形状补丁组成的实例的非迭代方法，并在多个数据领域上进行了评估，其中定义了四个基准，分别是 ISBI 2012 EM 分割基准，BBBC010 C.elegans 数据集，以及二维和三维荧光显微镜图像的细胞核。此外，我们还展示了我们的方法也适用于展示了复杂形状集群极端案例的果蝇神经元的三维光学显微镜数据。

Jan, 2020

本文提出了一种使用图像级别标签进行实例分割的新框架，其中分为两个阶段，分别是训练分类器生成伪掩模并在这些伪掩模上训练完全监督的 Mask R-CNN。在 PASCAL VOC 2012 数据集上进行实验，相对于现有方法说明主要性能提高。

Jul, 2019

本文提出了一种基于弱监督的学习方法，通过将图像视为一个包中的实例将其融入到深度神经网络中，将弱监督的多实例学习约束与深度神经网络集成在一起，并采用端到端的方式优化网络以实现对象分类和发现任务。在 PASCAL VOC 数据集上的测试表明，该方法在对象分类方面可以获得最先进的性能，并且在对象发现方面也具有很强的竞争力，并且测试速度比竞争者更快。

May, 2017

本文提出了一种新的渐进式补丁学习方法来提高弱监督语义分割中的局部细节提取，进一步将特征破坏和补丁学习扩展到多级粒度，同时与多阶段优化策略相结合来提供模型对不同程度的特征提取能力。此方法超越了大多数现有的弱监督语义分割方法，在 PASCAL VOC 2012 数据集上取得了出色的表现。

Sep, 2022

针对工业垃圾桶拣选这一具有挑战性的任务，本文提出一种新型的基于部件感知实例分割管道，其中采用部件聚合模块将感知到的部件组装为实例，并且通过产生地面真实部件级标签的自动标签解耦方案来指导网络学习。本文还贡献了第一个实例分割数据集，该数据集包含各种薄且具有非平凡形状的工业物体，并在各种工业物体上进行了广泛的实验，结果表明，与现有的最新方法相比，我们的方法能够实现最佳的分割效果。

Mar, 2022

这篇论文介绍了 OpenPatch 方法，它使用预训练模型从中间特征中提取一组描述每个已知类别的补丁表示，在新样本中评估其是否主要由单个已知类别的补丁构成或通过多个类别的贡献来组成，并通过广泛的实验评估展示了其在语义新颖性检测任务中的出色性能。

Oct, 2023

本文提出了一种基于弱监督学习框架的对象实例分割方法，使用对抗训练的方法学习对象掩模，利用剪切 - 粘贴的游戏过程，通过掩模生成器和区分器的协同作用来实现分割掩模的优化，实验结果表明，该方法在不需要手工标注分割建议的情况下，可以超越现有的弱监督分割方法，并获得了 90% 的监督分割性能。

Mar, 2018

基于自主车辆的关键挑战是准确检测环境中的物体。我们引入 PatchContrast，这是一个创新的自我监督点云预训练框架，用于 3D 物体检测。通过提出两个抽象层次的利用，我们学习未标记数据的判别性表示：提案级别和补丁级别。提案级别旨在确定物体相对于周围环境的位置，而补丁级别增加了关于物体组件之间内部连接的信息，从而根据它们的独立组件区分不同的对象。我们展示了如何将这些级别集成到自我监督预训练中以增强下游的 3D 检测任务，并证明我们的方法在三个常用的 3D 检测数据集上优于现有的最先进模型。

Aug, 2023

本文介绍了 AutoPatch，将神经架构搜索应用到分割视觉异常的复杂任务中。提出了加权平均精度（wAP）作为替代 AUROC 和 AUPRO 的度量标准，并提出了一种新的神经架构搜索方法，能够在没有任何训练的情况下高效地进行视觉异常分割。在 MVTec 数据集上，AutoPatch 优于当前最先进的方法 PatchCore，仅使用每个异常类型的一个样本的条件下，FLOPS 少 18 倍以上。

Apr, 2023

本文设计了一种称为 SelfPatch 的简单而有效的视觉预训练任务，利用 ViT 的特性，在无需人工注释的情况下提高不同类型视觉任务的性能，通过训练神经网络对各种图像的无监督学习来实现。

Jun, 2022