为了减轻先前方法中语义歧义和类间相似性对像素级前景 - 背景分类准确性的限制，我们提出了 Relevant Intrinsic Feature Enhancement Network (RiFeNet)。通过引入一个无标签分支作为高效的数据利用方法，我们提高了前景实例的语义一致性，在测试时，无需额外的无标签数据和计算。此外，我们通过提出新颖的多层原型生成和交互模块扩展了前景和背景之间的类间变化，全局和局部原型之间的不同粒度补充性使得类似类别之间的区分更加明确。RiFeNet 在 PASCAL-5i 和 COCO 基准上的定性和定量性能超过了最先进的方法。

Dec, 2023

表面缺陷检测是工业检测中的重要任务，本文提出了一个决策融合网络 (DFNet)，通过融合语义决策和特征决策来增强网络的决策能力，同时引入感知微调模块 (PFM) 来对前景和背景进行微调，并通过一个内外分离权重矩阵来解决标签边缘不确定性的影响，在公开数据集上验证了所提方法的有效性。

Sep, 2023

本研究提出了一种基于内存的端到端分割网络（MemSeg），该网络引入了人工模拟的异常样本和记忆样本以辅助网络的学习。经过实验验证，该方法在检测工业产品表面缺陷方面取得了最先进的性能。

May, 2022

提出了一种轻量级的深度学习模型用于在钢铁制造行业中识别表面缺陷，与 MobileNet、Inception、ResNet 和 Vision transformers 等预训练卷积神经网络相比，该新模型具有更高的准确性和更快的推理速度，并采用了深可分离卷积，全局平均池化层和改进的架构高效性增强技术。

Aug, 2022

本研究提出了基于深度学习的半导体缺陷检测方法 SEMI-CenterNet，在 SEM 图像中实现了缺陷的高效定位和分类，并显著改善了推断时间。通过在两个数据集上训练和使用自定义 SEM 数据集的迁移学习，减少了传统训练方法所需的训练时间，获得了最佳的平均精确度。

Aug, 2023

该研究提出了一种基于元学习的新框架 MetaSegNet，通过全局和局部特征分支，在元学习中提取少样本语义分割的适当元知识，并将线性模型集成到 MetaSegNet 中，以实现一次性精确地多目标分割。实验结果表明，该方法在 K 路少样本语义分割任务中表现出良好的效果。

Nov, 2019

该论文提出了一种新的端到端泛化显著性目标分割模型 MEnet，使用一种新的拓扑空间来确定深度网络所确定的隐式度量，可忍受压缩和噪声等扰动，实现在像素级别上对显著区域和非显著区域的聚类，进而能够对出现在图像中的显著对象进行分割，同时该方法能够更好地处理扭曲的输入图像。

May, 2018

本文提出了一种新的无监督特征记忆重组网络（FMR-Net）来准确检测各种纹理缺陷，通过提取多尺度特征、对比学习模块（CMFM）、全局特征重排模块（GFRM）来构建正常特征记忆库，采用两阶段的训练策略，使用多模式检测方法来实现缺陷定位，实验证明该方法具有较高的检测精度，适用于边缘计算的智能制造场景。

Jun, 2022

通过注意力机制和深度神经网络，提出了一种改进的 DifferNet 解决方案：AttentDifferNet，它在三个工业检测数据集中实现了改进的图像级缺陷检测和分类性能，达到了业界最新水平，突出了注意力在工业异常检测中的重要性。

Nov, 2023

本研究提出了一种叫做 “IPRNet” 的方法，采用在原型空间中的原型关系来增强少样本数据在特征空间中的区分性，该方法在 Pascal-5i 和 COCO-20i 数据集上具有优秀的分割性能。

Nov, 2022