郑州轻工业大学梅科尔工作室基于PaddleX开发了恶性皮肤肿瘤早期识别智能辅助筛查系统，利用皮肤镜和语义分割模型实现快速且精确的识别。该系统能降低漏诊和误诊的风险，节约时间和人力资源，提高医疗服务质量和效率。
该研究提出了一种新的语义分割模型，通过引入等变卷积和等变转置卷积，实现了对组别特征图的变换与上采样，提高了样本效率和鲁棒性。该模型在癌症转移组织病理图像的旋转等变分割任务上表现出高效性。
本研究调查了越野自动驾驶中语义分割模型对对抗性输入扰动的脆弱性，并比较不同分割网络架构对对抗性攻击的效果。研究结果对提高越野自动驾驶应用中机器学习模型的鲁棒性具有重要意义，同时为Unimog U5023自主机器人在复杂越野无结构环境中的安全导航做出了贡献。
通过合成微观结构图像和掩模，使用VQ-VAE模型和PixelCNN生成数据，提高微观图像的语义分割模型训练效果，并引入定制评估指标。
本文介绍了一种新方法，用于分析语义分割模型的稳健性，并提供了评估分类性能的指标。该方法结合了另一种传感器以自动化处理过程，消除了手工标注需求。实验结果表明，语义分割模型的性能受到天气、相机参数和阴影等因素的影响，并演示了如何比较和验证改进后的模型性能。
我们提出了一种编码器 - 解码器注意力变换器（EDAFormer），它由无嵌入变换器（EFT）编码器和利用无嵌入注意力（EFA）结构的全注意力解码器组成。EDAFormer在三个公共基准中展示出与现有基于变换器的语义分割模型相比的最新性能和高效计算。此外，我们的ISR方法在Cityscapes数据集中通过将计算成本减少最多61%，从而减少了最小的mIoU性能下降。
本研究提出了一种在线无监督域自适应算法，通过最小化源潜在特征与目标特征之间的分布距离，改善图像的语义分割模型在未注释领域上的泛化性能。
该研究提出了一种针对农业视觉数据集的语义分割模型，解决了类别不平衡问题，并通过概率后处理方法提高了稀有类别的预测准确性。在CVPR 2024农业愿景挑战中获得第二名。
本研究调查了越野自动驾驶领域中语义分割模型对对抗性输入扰动的脆弱性，并填补了这一空白。研究结果对提高越野自动驾驶应用中机器学习模型的鲁棒性具有重要意义。同时，为Unimog U5023自主机器人在复杂越野无结构环境中的安全导航做出了贡献。
本文研究了在多模态学习框架中，利用噪声标签对语义分割模型进行预训练的潜力。通过交叉模态样本选择方法，确定噪声标签采样，并验证了该方法在遥感图像分割中的有效性。
该研究旨在开发智能自主系统，解决农业领域中小麦和高粱田间的蚜虫危害和植物病毒传播问题。通过收集和标记大量蚜虫图像数据集，并使用实时语义分割模型来分割蚜虫簇群，研究结果表明实时解决方案的有效性。该系统能够减少农药使用和环境影响，增加农作物产量。
本研究提出一种在线无监督域自适应算法，通过最小化源潜在特征与目标特征之间的分布距离，改善图像的语义分割模型在未注释领域上的泛化性能。
成都理工大学的研究人员提出了SCDUNet++，一种结合了卷积神经网络和Transformer的语义分割模型，能够准确识别和提取滑坡特征，性能优于其他深度学习模型。该模型在滑坡测绘和迁移性方面表现出优势。
本研究提出了一种在线无监督域自适应算法，通过最小化源潜在特征与目标特征之间的分布距离，改善图像的语义分割模型在未注释领域上的泛化性能。该方法通过近似源潜在特征分布减少对源样本的需求，实验证明其在未注释领域的泛化性能上具有竞争优势。
该文介绍了一种半监督学习的语义分割模型，可将从像素级别注释的强类别中学到的分割知识转移到只有图像级别注释的弱类别中，从而扩大了深度分割模型的适用范围。该模型由标签转移网络和预测转移网络组成，在PASCAL VOC 2012数据集上实现了与完全监督基线相近的性能，只使用50％和0％的像素级别注释类别。
UniParser是一种新的语义分割模型，通过统一实例级和类别级输出，避免手动设计的后处理技术，超越了现有方法，在MHPv2.0和CIHP数据集上实现了较高的AP。该研究将发布源代码、预训练模型和在线演示以促进未来研究。
完成下面两步后，将自动完成登录并继续当前操作。
