本文提出了一种名为 deep snake 的新型轮廓方法，它使用神经网络迭代地变形初始轮廓以匹配对象边界。作者使用循环卷积来进行轮廓上的结构化特征学习，并且根据 deep snake 提出了二阶段流程进行实例分割：初始轮廓建议和轮廓变形。 经实验证明，该方法在实时应用中表现出优异的性能。

Jan, 2020

该论文提出了多标签 CircleSnake 模型，并通过实验结果显示其在识别和分割嗜酸性粒细胞方面的优越性，从而促进对食管嗜酸性粒细胞食道炎的更好表征。这种自动化方法有望简化评估过程并提高诊断准确性。

Aug, 2023

本文介绍了一种基于 Transformer 和动态锚圈的圆形医学目标检测方法 CircleFormer，并通过 MoNuSeg 数据集上的实验证明其在圆形核分割任务上的优越性能。

Aug, 2023

本文提出了一种新的针对仅有边界框注释的多边形实例分割的端到端训练技术，称为 BoxSnake，其方法由基于点的一元损失和基于距离感知的二元损失组成，并证明了该技术在 Cityscapes 数据集上相对于基于掩码的弱监督方法具有显著优势。

Mar, 2023

该论文提出了一种适用于全景图像的方位感知卷积神经网络框架，该框架可以更高效地进行分类和语义分割任务，并为自动驾驶系统等应用程序提供了 “全景式” 理解周围环境的能力。

Jul, 2019

本文提出了一种基于盒子的实例分割方法，通过引入目标检测和实例规范化技术，实现在生物图像识别中更准确的实例分割。

Nov, 2019

本文提出了一种用于解决实例分割问题的新方法，即通过对象分层实现，通过将重叠的对象分组到不同的层中，可以轻松分离实例并获得竞争性的结果。

Oct, 2022

该论文提出了一种能够有效表示包括水平的，有方向的和有曲率的文本实例的文本表示方法 TextSnake，并使用基于 TextSnake 的文本检测器，在多个数据集上取得了最先进的性能表现，特别是在曲线文本上。

Jul, 2018

我们提出了一种称为加权圆融合（Weighted Circle Fusion，WCF）的简单方法，用于合并来自不同圆检测模型的预测。该方法利用每个建议的边界圆关联的置信分数生成平均圆，在医学图像中改进了目标检测的精度，并显著减少了误检，为病理图像分析领域的未来研究和应用提供了有希望的方向。

Jun, 2024

研究了自动实例分割的问题，并提出一种基于深度神经网络的嵌入向量方法，使得相邻物体在嵌入空间中互相垂直，从而避免了对象的合并。该方法在细胞和叶片图像的分割任务中，即使使用轻量级的骨架网络也能达到领先水平。

Apr, 2020