提出一种基于多尺度修剪方案和学习分类器粗到细级联策略的通用框架, 可以显著加速图形模型优化, 同时保持卓越的解决方案精度, 在计算机视觉相关的MRF问题上, 该框架能够不断提高常数时间速度, 并比直接优化MRF获得更精确的解决方案。
Sep, 2014
本文提出FasterSeg模型，通过神经架构搜索技术在新型多分辨率支路搜索空间上发现了性能卓越、速度更快的语义分割网络，并提出了一种解决低准确性、低延迟困境的方法，同时实现了教师-学生蒸馏机制，提高了学生网络的准确性。实验证明了FasterSeg的竞争力。
Dec, 2019
本文介绍了一种基于前向传递的点击交互式分割模型，无需额外的优化技巧即可实现最新的最佳结果，并且对于性能的分析表明，使用COCO和LVIS的训练数据集所训练的模型表现最佳。
Feb, 2021
对Segment Anything Model模型进行了全面的鲁棒性研究，发现它在面对多种图像扰动时的性能普遍下降，在特定数据集上定制提示技巧和利用领域知识，可以提高模型的弹性和解决数据集特定的挑战，为实际应用提供更健壮和多功能的图像分割解决方案。
May, 2023
本研究探究了基于图像分类方法的Token剪枝技术在目标检测和实例分割中的应用，提出了四种见解，包括：应在特征映射中保留Token、可重激活过去剪枝的Token以提高模型性能、动态剪枝率比固定剪枝率更好、简单的2层MLP能有效地剪枝Token。实验结果表明，本方法能显著加速推理速度，且与不剪枝的结果相比，性能损失仅在0.3 mAP以内。
Jun, 2023
本文通过性能评估研究了在分割任务中对真实世界分布偏移抗干扰能力的不同模型，发现 Visual Foundation Models（VFMs） 对基于压缩的破坏不具备鲁棒性，而非 VFM 模型在监督下表现更加强健，但在零样本评估中仍然竞争性鲁棒，VFMs 则在特定类别的对象上表现出更高的韧性。
通过弹性扩展和压缩特征的易于特征选择框架（EasyFS），以实现比现有的模型感知方法更好的性能，同时与现有的无模型方法共享效率和灵活性特点。
Feb, 2024
通过构建一个具有精确控制结构信息能力的保护掩模的属性编辑流程，我们研究了在不同类型场景下对分割模型的行为进行鲁棒性评估。我们发现局部和全局属性的变化对分割性能产生影响，并且模型对不同类型变化的敏感性不同。因此，我们认为局部属性与全局属性具有相同的重要性，应该在分割模型的鲁棒性评估中考虑。
Mar, 2024
本研究针对图像分割领域的现有研究不足之处，系统回顾了基础模型驱动的图像分割的最新进展与挑战。通过分析通用图像分割与可提示图像分割的研究，并深入探讨基础模型如CLIP和Stable Diffusion在图像分割中的应用，该综述为未来的研究方向提供了宝贵的见解和参考。研究结果显示，基础模型不仅显著提升了分割性能，还可开启深度学习中前所未有的分割能力。
Aug, 2024
本研究针对工业检测中图像分割面临的小样本和复杂纹理等挑战，提出了一种基于增强的模型重适应框架（AMRF）。该框架通过数据增强技术提高了分割模型的泛化能力，使其能够适应新的时间不同的数据集，最终实现了在分割准确率和分类准确率上显著超越现有模型的成果。
Sep, 2024