日前，团队论文“SAMSnake: A Generic Contour-based Instance Segmentation Network Assisted by Efficient Segment Anything Model”被人工智能领域高水平期刊《NEURAL NETWORKS》（NN）正式接收。博士研究生伍业军为该文第一作者。该论文受到湖北省科技重大专项（2022AAA009）项目支持。

基于轮廓的实例分割因其效率高且能够生成精确的分割边界而备受关注。在本文中，我们提出了一种新颖的基于轮廓的实例分割网络 SAMSnake。我们的方法引入了三个关键创新：（1）我们修改了现有轮廓分割方法的结构，将检测器与传统轮廓分割框架解耦，增强了下游任务的灵活性。（2）我们通过引入 EfficientSAM 并构建基于 EfficientSAM 的轮廓初始化 (ECI) 模块改进了现有的轮廓初始化方法，该模块可生成与真实实例边界紧密对齐的初始轮廓。（3）我们将动态匹配损失(DML)和归一化偏移量集成到迭代优化过程中，形成了归一化轮廓优化(NCO)模块，该模块可以高精度地细化轮廓变形。此外，我们结合了热图和边界图监督，以进一步增强训练稳定性。在包括 Cityscapes、语义边界数据集 (SBD)、COCO、KITTI INStance (KINS)和COCOA在内的基准数据集上进行的大量实验表明，SAMSnake 达到了最佳性能。

《NEURAL NETWORKS》为2024版自动化学会推荐A类期刊，中科院SCI二区TOP期刊，最新影响因子6.0。该期刊专注于刊载人工智能与神经网络领域高水平研究成果，具有重要学术影响力。