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

提出了一种基于人机交互的教师 - 学生学习范例来教授机器人关于其周围环境的视频对象分割任务，同时介绍了一种精心设计的包含不同对象、变换及操作任务的数据集。最终实验结果显示该方法的效果优于现有的最优算法，并且在 mIoU 指标上比基准效果提高了 46.1% 和 25.9%。

Oct, 2018

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

本文介绍一种基于人工交互的视频对象分割方法，使用深度学习技术进行交互式图像分割，并应用于视频对象分割中。在 GrabCut 数据集上，我们的方法以仅需 3.8 次点击的平均值获得 90％的 IOU，与当前最先进的方法相比，具有更高的准确性。此外，我们研究了用户的使用模式和提供的纠正类型等，为进一步改进交互式视频分割提供重要的见解。

Dec, 2017

该论文提出了一个自超视自学的物体分割系统，其训练过程利用了点云的超分割结果，利用图匹配算法和点云配准结合检测出 3D 假标签上的再现物体模式并生成 2D 掩码。实验证明，该方法在真实和合成的视频数据集上的表现优于现有的无监督方法。

Apr, 2023

本研究提出了一种利用自我监督方式以及与环境互动的方法，建立一个学习将视觉观察分割成不同对象的主动代理。通过对 50,000 次以上与物体交互的学习，该代理的分割模型能够推广到新的物体和背景，并通过提供视频、代码以及与机器人的互动数据集来测试所学分割模型的效用。

Jun, 2018

在动态工业机器人环境中，对离散帧中未见物体实例的分割和跟踪构成了一项重要挑战。我们通过引入新的合成和真实世界数据集，以及在离散帧中进行联合分割和跟踪的新范式，以及一个促进帧间通信的转换器模块，应对这些挑战，实验证明我们的方法明显优于最近的方法。

Nov, 2023

该研究提出了一种机器人学习方法，利用在未见过新物体时的交互作用，与避免手动标记数据集的费时过程，收集每个物体的训练标签进行微调来提高分段模型的性能。该系统实现了在模拟杂乱场景中 70% 的分离成功率，而对于玩具积木、模拟 YCB 对象和真实世界的新物体，交互式分割的平均精度分别达到了 87.8%、73.9% 和 69.3%，超过了几个基线。

Jul, 2022

提出了一种模块化网络，利用几何分析独立对象运动能从码流场中恢复，利用 3D 刚体转换对背景和多个刚体运动物体进行分割掩模并获得刚性运动分割的最佳性能，从而显着改善深度和场景流估计。

Jan, 2021