一、Systematic review of image segmentation using complex networks

本文介绍了使用复杂网络的各种图像分割方法。
图像分割是图像分析中的重要步骤之一，因为它有助于分析和理解复杂的图像。起初，它试图根据它在图像分割中的使用方式对复杂网络进行分类。
在计算机视觉和图像处理应用中，图像分割对于分析具有不规则形状、纹理或重叠边界的复杂图像至关重要。高级算法利用机器学习、聚类、边缘检测和区域增长技术。图论原理与基于社区检测的方法相结合，可以更精确地分析和解释复杂图像。混合方法结合了多种技术，可实现全面、稳健的分割，从而改善计算机视觉和图像处理任务的结果。

https://arxiv.org/abs/2401.02758

二、Image Segmentation in Foundation Model Era: A Survey

图像分割是计算机视觉中一项长期存在的挑战，几十年来不断研究，N-Cut、FCN 和 MaskFormer 等开创性算法证明了这一点。随着基础模型 （FM） 的出现，当代分割方法通过调整 FM（例如 CLIP、Stable Diffusion、DINO）进行图像分割或开发专用的分割基础模型（例如 SAM）进入了一个新的时代。这些方法不仅提供卓越的分段性能，还预示着在深度学习环境中前所未有的新发现的分段功能。然而，目前的图像分割研究缺乏对与这些进步相关的独特特征、挑战和解决方案的详细分析。本调查旨在通过对以 FM 驱动的图像分割为中心的前沿研究进行全面审查来填补这一空白。我们研究了两条基本研究方向——通用图像分割（即语义分割、实例分割、全景分割）和可提示图像分割（即交互式分割、引用分割、少数镜头分割）——通过描述它们各自的任务设置、背景概念和关键挑战。此外，我们还提供了对 CLIP、Stable Diffusion 和 DINO 等 FM 中分割知识的出现的见解。本文对 300 多种细分方法进行了详尽的概述，以概括当前研究工作的广度。随后，我们参与了对开放问题和未来研究潜在途径的讨论。我们设想这项新鲜、全面和系统的调查将催化高级图像分割系统的发展。

https://arxiv.org/abs/2408.12957

三、On Efficient Variants of Segment Anything Model: A Survey

Segment Anything Model （SAM） 是图像分割任务的基础模型，以其在不同应用程序中的强大泛化性而闻名。然而，其令人印象深刻的性能伴随着巨大的计算和资源需求，这使得在资源有限的环境（如边缘设备）中部署具有挑战性。为了解决这个问题，已经提出了各种 SAM 变体，以提高效率同时保持准确性。本调查首次全面回顾了这些高效的 SAM 变体。我们首先探讨推动这项研究的动机。然后，我们介绍了 SAM 和模型加速中使用的核心技术。随后详细探讨了按方法分类的 SAM 加速策略，并讨论了几个未来的研究方向。最后，我们对各种硬件上的这些方法进行了统一而广泛的评估，在代表性基准上评估它们的效率和准确性，并提供了它们整体性能的清晰比较。

https://arxiv.org/abs/2410.04960

四、Review of Fruit Tree Image Segmentation

果树图像分割是自动化各种农业任务（如表型、收获、喷洒和修剪）的一个基本问题。许多研究论文提出了适用于特定任务和环境的各种解决方案。本文的综述范围仅限于果树的正面视图，并基于使用新设计的爬行综述方法收集的 158 篇相关论文。这些论文根据分类法进行了系统审查，该分类法依次考虑了方法、图像、任务和成果。该分类法将帮助读者直观地掌握这些研究活动的大局。我们的综述表明，以前研究最明显的缺陷是缺乏可应用于各种任务和环境的通用数据集和分割模型。提出了六项重要的未来研究任务，期望这些任务将为构建多功能的树木分割模块铺平道路。

https://arxiv.org/abs/2412.14631

五、A Review of Bayesian Uncertainty Quantification in Deep Probabilistic Image Segmentation

图像分割的进步在基于深度学习的计算机视觉的更大范围内发挥着不可或缺的作用。此外，它们在关键的实际任务中的广泛适用性也带来了与此类算法的可靠性相关的挑战。因此，不确定性量化在此背景下得到了广泛的研究，能够表达模型无知（认识不确定性）或数据模糊性（随机不确定性），以防止不明智的决策。由于基于卷积神经网络 （CNN） 的分割模型在高风险应用中的迅速采用，已经发表了关于该主题的大量研究，使其迅速扩展到一个独特的领域。这项工作通过讨论不确定性中的基本概念来全面概述概率分割，这些概念控制着该领域的进步以及在各种任务中的应用。我们确定量化随机和认识不确定性分别近似于潜在变量或模型参数的贝叶斯推理。此外，关于这两种不确定性的文献可以追溯到四个关键应用;（1） 量化由于图像歧义而导致的注释过程中的统计不一致，（2） 将预测误差与不确定性相关联，（3） 扩大模型假设空间以更好地泛化，以及 （4） 主动学习。然后，接下来进行讨论，包括每个应用程序使用的数据集的概述以及可用方法的比较。我们还强调了与架构、基于不确定性的主动学习、标准化和基准测试相关的挑战，以及对未来工作的建议，例如基于单次前向传递的方法和适当利用体积数据的模型。

https://arxiv.org/abs/2411.16370

六、Semi-Supervised Semantic Segmentation Based on Pseudo-Labels: A Survey

语义分割是计算机视觉中一个重要且流行的研究领域，专注于根据语义对图像中的像素进行分类。然而，监督式深度学习需要大量数据来训练模型，并且逐像素标记图像的过程既费时又费力。本文旨在对半监督语义分割领域伪标签方法的最新研究成果进行首次全面和有序的概述，我们从不同的角度对其进行分类，并针对特定应用领域提出具体方法。此外，我们还探讨了伪标签技术在医学和遥感图像分割中的应用。最后，我们还提出了一些可行的未来研究方向，以应对现有的挑战。

https://arxiv.org/abs/2403.01909

七、Deep Learning-Based 3D Instance and Semantic Segmentation: A Review

将点云数据分割为多个同质区域，其中同一区域中的点具有相同的属性的过程称为 3D 分割。由于大量冗余、样品密度波动和缺乏明显的组织，点云数据的分割具有挑战性。该研究领域拥有广泛的机器人应用，包括智能汽车、自主测绘和导航。许多研究人员引入了各种方法和算法。深度学习作为一种流行的 AI 方法，已成功应用于一系列 2D 视觉域。然而，由于使用深度神经网络处理点云的特定问题，点云上的深度学习仍处于起步阶段。本研究检查了 3D 实例和语义分割的许多策略，并对基于深度学习的 3D 分割的当前发展进行了全面评估。在这些方法中，研究和解决了优点、缺点和设计机制。本研究评估了各种分割算法对各种可公开访问的数据集的竞争力的影响，以及最常用的管道、它们的优势和局限性、有洞察力的发现和有趣的未来研究方向。

https://arxiv.org/abs/2406.13308

八、Deep Learning on 3D Semantic Segmentation: A Detailed Review

在本文中，对 3D 语义分割 （3DSS） 中最近和以前的深度学习方法进行了详尽的回顾和全面分析。在相关文献中，用于 3DSS 深度学习方法分类的分类方案是模棱两可的。基于现有 9 篇综述论文的分类方案，提出了一种新的 3DSS 深度学习方法分类方案，旨在对其进行标准化并提高相关研究之间的可比性和清晰度。此外，还提供了可用 3DSS 室内和室外数据集及其链接的广泛概述。审查的核心部分是详细介绍最近和以前的 3DSS 深度学习方法及其使用拟议的分类方案及其 GitHub 存储库进行分类。此外，还包括对 3DSS 中使用的评估指标和损失函数的简短但翔实的分析。最后，对所研究的 3DSS 方法和数据集进行了富有成效的讨论，以促进 3DSS 领域的新研究方向和应用。作为补充，本综述提供了一个 GitHub 存储库，包括使用拟议的分类方案对 400 多种 3DSS 方法进行快速分类。

https://arxiv.org/abs/2411.02104

九、Review of wavelet-based unsupervised texture segmentation, advantage of adaptive wavelets

基于小波的分割方法被广泛用于纹理分割目的，因为它们能够表征不同的纹理。在本文中，我们评估了所选小波的影响，并建议使用最近引入的经验小波。我们表明，经验小波的适应性允许获得比经典小波更好的结果。为了只关注纹理信息，我们还建议在应用分割算法之前执行卡通 + 纹理分解步骤。所提出的方法基于几种流行的纹理图像，在六个经典基准测试中进行了测试。

https://arxiv.org/abs/2410.19191