本文研究了卷积神经网络在无监督图像分割中的应用。我们提出了一种新的端到端网络方法，包括归一化和可微聚类函数，解决了前人固定分割边界的局限性。我们还针对用户输入扩展了该方法，同时保持高效性和准确性。经过在多个数据集上的测试，得出了该方法的有效性。

Jul, 2020

本文提出了一种深度学习交互分割方法，通过将用户交互与 CNN 结合，使用测地距离变换来提高自动 CNN 分割的精度和鲁棒性，并将用户交互作为硬约束集成到反向传播式 CRF 中，以实现在更高的精度下减少用户干预的目的。实验结果表明，与传统的交互式方法相比，该方法在自动 CNN 分割的基础上实现了大幅提升，并且在少数用户干预和更短的时间内具有可比甚至更高的准确性。

Jul, 2017

本文提出了一种无监督方法来检测和分割动态图像中的物体，通过深度神经网络将静态和动态模型进行训练，实现了物体的无监督分割和持续性学习。

Aug, 2020

研究了点云（point cloud）语义实例分割的问题，提出了一种动态的、无需生成建议、数据驱动的方法，可以根据实例的特点生成适当的卷积核，在几个简单的卷积层中解码实例，并采用小型轻量级 Transformer 来捕捉点样本之间的长距依赖和高级别交互。该方法在 ScanetNetV2 和 S3DIS 数据集上均取得了良好的结果，在超参数选择上具有鲁棒性，并且比最先进的方法可提高 25% 以上的推理速度。

Nov, 2020

本文提出了一种新颖的动态特征融合策略，通过权重学习器对不同输入图像和位置适应地推断各级特征的融合权重，以更好地考虑由 Feature Map 的不同位置和输入图像产生的贡献，从而实现更准确、更清晰的边缘预测，实验证明该方法在语义边缘检测方面表现优异，达到了新的最高水平。

Feb, 2019

通过提出适用于无人机 / 无人机图像的分割神经网络（SegNet）选择方法，该研究旨在缩短特征图以显着提高实时野火检测的处理速度和准确性，从而为全球野火检测增加了实时检测能力、野火检测准确性以及早期野火检测的能力。

Feb, 2024

本文提出一个新的基于深度学习的交互分割框架，该框架将卷积神经网络（CNN）引入到边界框和涂鸦分割管道中，并提出了图像特定的微调和考虑网络和交互不确定性的加权损失函数来提高 CNN 模型的性能，实验结果表明我们的方法比现有的 CNN 方法更鲁棒，并能够在更少的用户交互和更短的时间内获得准确的分割结果。

Oct, 2017

该研究提出了一种基于图神经网络的图像分割方法，相较于现有方法可以隐式地完成部件语义分割，用于目标定位、分割和语义部件分割任务并在多个基准测试中取得了最先进的表现。

Dec, 2022

利用预训练视觉转换模型提取输入图像的高级特征，然后利用图神经网络和基于模块性的优化准则，无需依赖预先标记的训练数据，从图像中提取和划分有意义的边界，实现了竞争性能，进而对无监督医学图像和计算机视觉领域做出了贡献。

May, 2024

本研究提出了一种使用合成数据进行训练的图像分割方法，极大地减少了在新兴医学成像模态或疾病群中手动跟踪图像时的人工工作量，该方法通过对模态之间的无配对强度图像使用周期生成对抗网络和深度卷积神经网络进行端到端训练， 并在两个医学成像实验中取得了优秀的表现。

Oct, 2018