当前位置：首页 > news >正文

[Survey] Image Segmentation in Foundation Model Era: A Survey

news 来源：原创 2025/5/16 3:34:40

BaseInfo


Title	Image Segmentation in Foundation Model Era: A Survey
Adress	https://arxiv.org/pdf/2408.12957
Journal/Time	-
Author	北理工、上交、浙大 CCAI 、瑞士苏黎世联邦理工学院、德国慕尼黑工业大学
Code	https://github.com/stanley-313/ImageSegFM-Survey

1. Introduction

通用图像分割（即语义分割、实例分割、全景分割）
可提示的图像分割（即交互式分割、指代分割、少样本分割）
在这里插入图片描述
开创性算法 N-Cut、FCN 和 MaskFormer -> adapting FMs: CLIP、Stable Diffusion、DINO -> SAM, SAM2 专有的。

将像素划分为不同的组 -> 更高级目标（包括物理场景理解、基于视觉常识的推理、感知社交关联）-> 自动驾驶、医学图像分析、自动监控和图像编辑等众多领域

传统的非深度学习方法，如阈值分割 [1, 2]、直方图模式搜索 [3, 4]、区域生长和合并 [5, 6]、空间聚类 [7]、能量扩散 [8]、超像素 [9]、条件随机场和马尔可夫随机场 [10]
深度学习方法，例如基于全卷积网络（FCN）的方法 [11 - 20]，尤其是 DeepLab 系列 [17 - 20]、基于 RNN 的方法 [21]、基于 Transformer 的方法 [22 - 28] 以及 R - CNN 系列 [29 - 31]。
基础模型（FMs）: 包括自然语言处理 [33]、计算机视觉 [34] 以及许多跨学科领域 [35 - 37]。著名的例子包括大语言模型（LLMs），如 GPT - 3 [38] 和 GPT - 4 [39]，多模态大语言模型（MLLMs），如 Flamingo [40] 和 Gemini [41]，以及扩散模型（DMs），如 Sora [42] 和 Stable Diffusion（SD） [43] : 生成推理链 [46]、在对话场景中提供类似人类的回复 [38]、创建逼真的视频 [42] 以及合成新颖的程序 [47].

分割领域的新任务：如 zero-shot 、few-shot、开放词汇语义分割、不同的提示分割
Training-free segmentation ：无训练分割是近年来兴起的一个新兴研究领域。它旨在从预训练的FMs中提取分割知识，这标志着与已有的学习范式（如监督学习、半监督学习、弱监督学习和自监督学习）的不同。CLIP，Stable Diffusion 或DINO/DINOv2，最初不是为分割目的而设计，也可以很轻易得到 mask。
integrating LLMs into segmentation systems ：将大语言模型融入分割系统，参考图像分割 Referring Image Segmentation 和推理图像分割 Reasoning Image Segmentation
Generative models：特别是文本到图像的扩散模型

在这里插入图片描述

2. Background

分别将 $\mathcal{X}$ 和 $\mathcal{Y}$ 表示为输入空间和输出分割空间。图像分割解决方案旨在学习一个理想的映射函数 $f$ ： $\mathcal{X} \mapsto \mathcal{Y} ，其中\mathcal{X} = \mathcal{I} \times \mathcal{P}，\mathcal{Y} = \mathcal{M} \times \mathcal{C}$ 这里 $f$ 通常具体化为一个神经网络。输入空间 $\mathcal{X}$ 被分解为 $\mathcal{I} \times \mathcal{P}$ ，其中 $\mathcal{I}$ 代表图像域（仅包含单个图像 $I$ ）， $\mathcal{P}$ 指的是提示集合，在某些分割任务中会专门使用。输出空间 $\mathcal{Y} = \mathcal{M} \times \mathcal{C}$ ，它包含一组分割掩码 $\mathcal{M}$ 以及与这些掩码相关的语义类别词汇表 $\mathcal{C}$ 。

通用图像分割（GIS）输入空间仅包含图像，即 $\mathcal{X} \equiv \mathcal{I}$ ，这表明 $\mathcal{P} = \emptyset$ 。根据测试词汇表 $\mathcal{C}_{test}$ 是否包含训练词汇表 $\mathcal{C}_{train}$ 中不存在的新类别，这三个任务在两种设置下进行研究：封闭词汇（即 $\mathcal{C}_{train} \equiv \mathcal{C}_{test}$ ）和开放词汇（即 $\mathcal{C}_{train} \subset \mathcal{C}_{test}$ ）分割。
- 语义分割: 图像中每个像素所属的语义类别，该类别来自 $\mathcal{C}$
- 实例分割: 将属于同一语义类别的像素分组为单独的对象实例。
- 全景分割: 结合了语义分割和实例分割，以预测每个像素的类别和实例标签，并且能够提供全面的场景解析。
提示图像分割（PIS）额外纳入了一组提示 $\mathcal{P}$ ，用于指定要分割的目标。
- 交互式分割旨在根据用户输入（通常通过点击、涂抹、绘制框或多边形提供，即 $\mathcal{P} = \{\text{click, scribble, box, polygon}\}$ ）分割出特定对象或部分。
- 指称分割提取由文本短语所指的相应区域，即 $\mathcal{P} = \{linguistic \space phrase\}$ 指的是文本提示。
- 少样本分割（图 1f）旨在利用少量带注释的支持图像在给定查询图像中分割新对象，即 $\mathcal{P} = \{(image, mask)\}$ 指的是图像 - 掩码对的集合。

学习策略:
i）监督学习：现代图像分割方法通常以完全监督的方式进行学习，这需要一组训练图像及其期望的输出，即每个像素的注释。
ii）无监督学习：在没有明确标注监督的情况下，逼近f 的任务属于无监督学习。现有的大多数基于无监督学习的图像分割模型利用自监督技术，用从图像数据自动生成的伪标签来训练网络。
iii）弱监督学习：在这种情况下，监督信息可能不准确、不完整或不正确。对于不准确的监督，标签通常来自更容易标注的领域（如图像标签、边界框、涂抹）。对于不完整的监督，仅为训练图像的一个子集提供标签。不准确的监督意味着虽然存在噪声，但为所有训练图像提供每个像素的注释。
iv）自由训练：除了上述策略之外，在基础模型时代，无需训练的分割受到了关注，它旨在直接从预训练的基础模型中提取分割信息，而无需进行任何模型训练。

基础模型：any model that is trained on broad data (generally using self-supervision at scale) that can be adapted to a wide range of downstream tasks

Language Foundation Model 语言基础模型

Large Language Models (LLMs)
Multimodal Large Language Models (MLLMs) 将推理能力与处理非文本模态（如视觉、音频）的能力相结合。

Visual Foundation Model 视觉基础模型

Contrastive Language-Image Pre-training (CLIP). 对比学习 CLIP 和 ALIGN
Diffusion Models (DMs) 扩散模型
Self-Distillation with No Labels (DINO&DINOv2).
Segment Anything (SAM)

在这里插入图片描述

SEGMENTATION KNOWLEDGE EMERGES FROM FMS

CLIP 学习的是整体视觉特征，位置信息相对不变。Mask-CLIP ：修改 CLIP 的图像编码器：(1) 删除查询和关键嵌入层； (2) 将值嵌入层和最后一个线性层重新组合成两个各自的 1×1 卷积层。. GEM：计算 k q v 的各自通过矩阵乘法得到关联矩阵。 $\text{softmax}(\mathbf{q}\mathbf{q}^\top)+\text{softmax}(\mathbf{k}\mathbf{k}^\top)+\text{softmax}(\mathbf{v}\mathbf{v}^\top)$
DM :关键在于分割源自扩散模型中的交叉注意力图。
$\text{CrossAttention}(q, k)=\text{softmax}(qk^\top / \sqrt{d})$ 。其中， $\Phi(z_t) \in \mathbb{R}^{hw \times d}$ ， $\Psi(e) \in \mathbb{R}^{N \times d}$ 。 $\Phi$ 和 $\Psi$ 是 U - Net 中在隐空间进行去噪的线性层。 $\in \mathbb{R}^{hw \times N}$ 表示单个头的交叉注意力图。
DINO : 在最后一层注意力头中，通过计算类别标记 [CLS] 的查询特征 $\boldsymbol{q}_{\text{CLS}}$ 和图像块标记 [I] 的键特征 $\boldsymbol{k}^{\top}_{\text{I}}$ 的点积，得到亲和向量 $\boldsymbol{\alpha}_{\text{CLS}} = \boldsymbol{q}_{\text{CLS}} \cdot \boldsymbol{k}^{\top}_{\text{I}} \in \mathbb{R}^{1 \times M}$ 。对每个注意力头 $\boldsymbol{\alpha}_{\text{CLS}}$ 进行平均,对这个最终注意力图进行二值化处理（比如设置一个阈值，大于阈值的像素设为 1，小于阈值的设为 0 ），就可以得到分割掩码.一些工作还直接利用图像块标记之间的相似性来定位目标。

4. FOUNDATION MODEL BASED GIS

在这里插入图片描述

如何将 CLIP 中的预训练知识迁移到分割任务中？

Training free Semantic Segmentation ：对自注意力模块稍作修改，从 CLIP 导出分割掩码是可行的。）利用 CLIP 文本编码器作为分类器来确定每个掩码的类别，从而实现语义分割，整个过程无需额外训练或微调。
CLIP 微调：遵循流行的 “预训练 - 微调” 范式，大量方法使用分割数据对 CLIP 进行微调，可分为全量微调或参数高效微调方法。全量微调方法需调整 CLIP 的整个视觉或文本编码器。防止对已见类别过拟合，它们都学习特定于图像的文本嵌入，以实现更准确的像素 - 文本对齐；
CLIP 作为零样本分类器：掩码分类方法（文献 [128]-[136] ）通常遵循两阶段范式，即首先提取与类别无关的掩码提议，然后使用预训练的 CLIP 对提议进行分类。像素分类：像素分类方法（文献 [101]、[137]-[141] ）使用 CLIP 识别像素。
文本监督下的语义分割:TagAlign（文献 [147] ）也专注于优化部分，并引入精细属性作为监督信号，实现密集的图像 - 文本对齐。
知识蒸馏（KD）:CLIP-DINOiser（文献 [153] ）将 DINO 作为教师模型，引导 CLIP 学习类似 DINO 的、有利于分割的特征。

扩散模型（DMs）：

Training free Semantic Segmentation：
利用扩散模型潜在特征进行语义分割：多数用 T2I - DMs（主要是 SD ）挖掘语义表示。
去噪扩散模型的语义分割：将语义分割重新表述为去噪扩散过程，通过迭代去噪过程学习预测给定随机噪声和图像编码器视觉特征条件下的噪声图
利用 T2I - DMs 进行数据增强，而非直接生成合成掩码。

DINO

通过直接分组实现无监督分割: 直接利用 DINO 特征进行区域分组. 利用 k - means 聚类或基于图的。
通过自训练实现无监督语义分割: 尝试从 DINO 特征训练分割模型，自动从 DINO 特征中获取伪标签。

SAM : 缺乏语义感知能力，但它具有通用且出色的分割能力。在弱监督场景下常被用于提升分割质量, 比如利用 SAM 对分割掩码进行后处理，以及将其用于零样本推理.
CLIP 在语义理解方面表现出色，SAM 和 DINO 则专注于空间定位。

5. FOUNDATION MODEL BASED PIS

在这里插入图片描述

交互式分割：SAM 引入多粒度交互式分割流程，每次用户交互时，期望的分割区域可能涉及附近不同部分的对象概念。通过将查询分割区域与 CLIP 的相应文本表示对齐来微调 SAM 。
Referring Segmentation：
基于 CLIP

Training-free ：文献：Zero-shot referring image seg- mentation with global-local context features 和 Text augmented spatial aware zero-shot referring image segmentation 基于跨模态相似度识别目标掩码
多模态知识迁移：常见方法是将 CLIP 特征与文本特征融合，训练文本到像素的对比学习，在每个阶段整合桥接模块。
弱监督：TSEG 用 CLIP 计算文本目标相似度，通过多补丁分配机制指导分类目标。
基于 DMs
Training-free ：前景掩码优化问题。
扩散特征：模型反转注意力图可直观得到初始视觉密集表示，用于生成最终分割掩码。
基于 LLMs：实现推理分割。
BERT因其简单性和实用性成为首选。多数方法设计融合模块，连接视觉编码器和解码器与 BERT。
使用大型语言模型作为多模态统一处理工具，将图像和文本融合为统一特征空间，生成强大对话能力。
增强视觉基础的方法广泛用于丰富分割先验知识，提供提示驱动框架连接 CLIP 和 SAM，构建提示机制，在编码器 - 解码器架构中结合 CLIP 和 SAM，采用简单高效的双编码器设计，分别适配 SAM 和 LLM 提取图像和文本特征，融合多模态特征进行分割预测。

小样本分割

基于 CLIP 的特征表示，通过函数图像生成原型，计算查询原型距离
DMs 的内部表示对小样本分割有用，可将支持图像特定时间步的表示作为输入，解码为原始图像并输入掩码解码器。通过去噪扩散过程处理小样本分割，微调 SD 以明确生成掩码。
利用 DINO/DINOv2 丰富的潜在表示来增强查询和支持图像的特征
基于支持查询图像对的相似性生成候选点，突出查询图像的语义，用于指导目标导向提示。
一些基于 LLM/MLLM 的通过指令设计解决 FSS 问题。
上下文分割（ICS），即仅用少量示例预测分割掩码，无需特定微调。

6. OPEN ISSUE AND FUTURE DIRECTION

解释：不同 FMs 在架构、数据和训练方式上有差异，但当前方法无法充分解释模型如何学习，尤其是像素与其他模态交互，需新方法理解像素在 FMs 中的作用，这对减少负面影响、拓展应用很关键。
In-Context Segmentation. 上下文学习。
缓解基于 MLLMs 模型的物体幻觉问题：幻觉问题（模型生成不存在或错误物体描述）
强大且可扩展的数据引擎
扩散模型作为新数据源
高效图像分割模型：基于 FM 的分割模型计算量大、需精细调整，影响实际应用。

@article{zhou2024SegFMSurveytitle={Image Segmentation in Foundation Model Era: A Survey},author={Zhou, Tianfei and Xia, Wang and Zhang, Fei and Chang, Boyu and Wang, Wenguan and Yuan, Ye and Konukoglu, Ender and Cremers, Daniel},journal={arXiv preprint arXiv:2408.12957},year={2024},
}

[Survey] Image Segmentation in Foundation Model Era: A Survey

BaseInfo TitleImage Segmentation in Foundation Model Era: A SurveyAdresshttps://arxiv.org/pdf/2408.12957Journal/Time-Author北理工、上交、浙大 CCAI 、瑞士苏黎世联邦理工学院、德国慕尼黑工业大学Codehttps://github.com/stanley-313/ImageSegFM-Survey 1. Introdu…...

编程日记 2025/5/16 3:34:40

关于杰理ac791切换版本， git clone下来仍然是最新版本问题

在git clone 之后，在本地切换分支常规流程：git clone →git branch →git branch -a → git checkout 分支名...

编程日记 2025/5/1 8:29:47

生成项目.gitignore文件的多种高效方式

在使用 Git 进行版本控制时，.gitignore 文件是不可或缺的配置文件。它可以帮助我们指定哪些文件或目录不需要被 Git 跟踪，从而避免将不必要的文件（如临时文件、编译生成的文件等）提交到仓库中。这篇文章将介绍几种生成 .gitignore…...

编程日记 2025/5/1 8:29:47

2025年“深圳杯”数学建模挑战赛D题-法医物证多人身份鉴定问题

法医物证多人身份鉴定问题小驴数模犯罪现场法医物证鉴定是关系到国家安全、公共安全、人民生命财产安全和社会稳定的重大问题。目前法医物证鉴定依赖DNA分析技术不断提升。DNA检验的核心是STR（Short Tandem Repeat，短串联重复序列）分析技术…...

编程日记 2025/5/16 3:00:09

嵌入式开发高频面试题全解析：从基础编程到内存操作核心知识点实战

一、数组操作：3x3 数组的对角和、偶数和、奇数和题目求 3x3 数组的对角元素和、偶数元素和、奇数元素和。知识点数组遍历：通过双重循环访问数组的每个元素，外层循环控制行，内层循环控制列。对角元素判断： 主对…...

编程日记 2025/5/1 8:27:39

JAVA SE 反射,枚举与lambda表达式

文章目录 📕1. 反射✏️1.1 反射相关的类✏️1.2 Class类中的相关方法✏️1.3 Field类中的相关方法✏️1.4 Method类中的相关方法✏️1.5 Constructor类中的相关方法✏️1.6 获取Class对象的三种方式✏️1.7 反射的使用 📕2. 枚举2.1 枚举的定义✏️2.2 …...

编程日记 2025/5/1 8:27:39

每日算法-250430

每日算法 - 2025年4月30日记录下今天解决的两道题目。 870. 优势洗牌 (Advantage Shuffle) 题目描述解题思路与方法核心思想：贪心策略 (田忌赛马) 这道题的目标是对于 nums1 中的每个元素，找到 nums2 中一个比它小的元素进行配对（如果…...

编程日记 2025/5/16 3:23:09

MacOS 安装 cocoapods

MacOS 安装 cocoapods 下面使用 HomeBrew 安装 cocoapods 一、检测 HomeBrew 是否安装打开终端执行命令 brew -v #如果安装，输出如 Homebrew 4.5.0如果未安装 Mac HomeBrew安装二、检测 ruby 是否安装系统一般自带了 ruby 但是这个升级有些麻烦，我…...

编程日记 2025/5/1 8:26:34

MATLAB绘制饼图（二维/三维）

在数据分析与展示领域，饼图是一种直观且高效的可视化工具，能够在瞬间传递各部分与整体的比例关系。今天，我将分享一段 MATLAB 绘制二维及三维饼图的代码，助你轻松将数据以饼图形式呈现于众人眼前。无论是二维饼图的简洁明了&…...

编程日记 2025/5/1 8:26:34

python将字符串转成二进制数组

python将字符串转成二进制数组功能概述： save_binary_to_json() 函数：将字符串转换为二进制数据（字节的整数表示），并保存到JSON文件中。 load_binary_from_json() 函数：从JSON文件中读取二进制数据并还原…...

编程日记 2025/5/16 3:32:32

防止HTTPS页面通过＜iframe＞标签嵌入HTTP内容

防止HTTPS页面通过<iframe>标签嵌入HTTP内容出于安全考虑，现代浏览器实施了严格的规则来防止HTTPS页面通过<iframe>标签嵌入HTTP内容。这种行为主要是为了防止所谓的“混合内容”问题，即在一个安全（加密）的页面中…...

编程日记 2025/5/1 8:25:30

windows 使用websocket++ （C++环境）

一、简介 websocket官方网址：http://websocket.org/ websocketpp官方网址：https://www.zaphoyd.com/websocketpp websocketpp使用手册：https://www.zaphoyd.com/websocketpp/manual/ websocketpp 是 C 的 WebSocket 客户端/服务器库. 它是…...

编程日记 2025/5/16 3:04:42

无水印短视频素材下载网站有哪些？十个高清无水印视频素材网站分享

你知道怎么下载无水印视频素材吗？今天小编就给大家推荐十个高清无水印视频素材下载的网站，如果你也是苦于下载高清无水印的短视频素材，赶紧来看看吧～ 1. 稻虎网首推的是稻虎网。这个网站简直就是短视频创作者的宝库。无论你需要…...

编程日记 2025/5/16 3:23:09

【dify—5】Dify关联Ollama

目录一、修改.env文件二、启动dify 三、访问dify 四、设置关联五、添加模型插件 5.1 添加模型 5.2 配置信息编辑第一部分安装difydocker教程：【difydocker安装教程】-CSDN博客第二部分 dock重装教程： 【dify—2】docker重装-CSDN博客第三…...

编程日记 2025/5/16 3:06:50

PostgreSQL可串行化快照隔离和冻结处理

1.可串行化快照隔离可串行化快照隔离SSI已经嵌入到快照隔离SI中，以实现真正的可串行化隔离等级。 SSI实现基本策略使用SIREDA锁记录事务访问的所有对象（元组，页面，关系）。当写入任何堆元组/索引元组时&#xff…...

编程日记 2025/5/1 8:24:26

Java 多线程进阶：什么是线程安全？

在多线程编程中，“线程安全”是一个非常重要但又常被误解的概念。尤其对于刚接触多线程的人来说，不理解线程安全的本质，容易写出“偶尔出错”的代码——这类 bug 往往隐蔽且难以复现。本文将用尽可能通俗的语言，从三个角度解释线…...

编程日记 2025/5/16 2:53:31

Java导出带图片的Excel

使用easypoi导出带图片的Excel， 引入依赖依赖中着重要剔除可能会造成冲突的依赖，不剔除的话可能会报错 Exception in thread “main” java.lang.NoSuchFieldError: Class org.openxmlformats.schemas.spreadsheetml.x2006.main.CTWorkbook does not …...

编程日记 2025/5/16 3:05:47

Keysight万用表使用指南及基于Python采集数据生成Excel文件

文章目录说明使用的库openpyxlpyvisa 代码说明效果展示参考代码说明本文介绍了 Keysight 34465A 的基本使用和 SCPI 指令设置，演示了使用 Python 的 PyVISA 库控制两台 34465A 同时采集数据的完整流程，包括设置采样参数、触发测量、读取数据、使用 O…...

编程日记 2025/5/1 8:24:25

HarmonyOS Next-DevEco Studio(5.0.2)无网络环境配置（详细教程）

开发者如果电脑处于完全无网环境，可以参考下面文档进行相关配置 DevEco Studio(5.0.2)开发环境一览： 工具版本DevEco Studio5.0.2openHarmonySDK14ohpm5.0.11node.js18.20.1hypium1.0.21 一、下载DevEco Studio（5.0.2 Release）…...

编程日记 2025/5/1 8:24:24

数字中国的建设之路：超聚变以“智算数能”四大密钥，共建智能体时代

文 | 智能相对论作者 | 陈泊丞即便是数字中国建设这样的宏大叙事，在长期的行业实践与业务聚焦之下，未来的发展路径也将会越来越清晰。日前，第八届数字中国建设峰会在福建拉开序幕，各大论坛、企业、机构、组织等纷纷围绕数字中…...

编程日记 2025/5/16 2:57:56

PageOffice在线打开word文件，并实现切换文件

本示例关键代码的编写位置，请参考“PageOffice 开发者中心-快速起步–开始 - 快速上手”里您所使用的开发语言框架的最简集成代码注意本文中展示的代码均为关键代码，复制粘贴到您的项目中，按照实际的情况，例如文档路径&#xff…...

编程日记 2025/5/16 3:28:13

Ubuntu 24.04 终端美化

参考文章：Ubuntu终端美化（tabbyoh-my-zsh）-Ubuntu系列03 有些步骤和 Ubuntu 24.04 不太适配，而且逻辑不太适合小白，故写此文。 1. 安装 Tabby 参考文章的 tabby 版本过老，如果在 Ubuntu 24.04 装会报一些依…...

编程日记 2025/5/1 8:23:21

python合并word中的run

在处理Word文档时，使用python-docx库可以读取文档中的段落，并将每个段落中的多个run合并为一个run。run对象用于表示段落中具有相同格式的文本部分。将多个run合并为一个run可以帮助简化文档结构，尤其是在格式一致的情况下。以下是一个示例…...

编程日记 2025/5/1 8:23:18

微前端框架选型指南

微前端框架选型指南一、写在前面微前端架构为大型前端系统提供了分而治之的能力，不同团队可以独立开发、部署和维护各自的模块。然而，当前市面上存在多种微前端框架（如 Qiankun、Wujie、micro-app、Hel、Emp 等），选…...

编程日记 2025/5/1 8:21:14

Tailwind CSS实战技巧：从核心类到高效开发

使用 Kooboo平台训练实战技巧，无需配置安装，直接引入CDN就可以在线练习了！具体操作流程：进入Kooboo后，选择创建空白站点 -> 站点开发 -> 控制面板 -> 页面 ->新建普通页面 -> 编写代码一、核心布局类…...

编程日记 2025/5/1 8:21:13

C# 事件与委托

一、委托基础 1. 委托定义委托是一种类型安全的函数指针，它允许将方法作为参数传递给其他方法。 // 声明一个委托类型 public delegate void MyDelegate(string message);// 使用委托 public class Program {public static void Main(){// 创建委托实例并指向方…...

编程日记 2025/5/1 8:20:11

django_rq

使用 Loguru 记录 Django-RQ 任务日志要在 Django-RQ 处理的任务中使用 Loguru 记录日志，你需要做的就是按照标准的 Loguru 使用方法配置和使用日志记录器。下面是一个简单的示例，展示如何在 Django-RQ 的任务中集成 Loguru： 安装必要的包…...

编程日记 2025/5/1 8:20:09

Java List分页工具

PageUtil.java import com.google.common.collect.Lists; import com.jd.platform.hotkey.dashboard.common.domain.Page; import org.springframework.util.CollectionUtils;import java.util.ArrayList; import java.util.List;public class PageUtil {/*** 通用分页工具类*…...

编程日记 2025/5/1 8:20:08

BaseInfo

1. Introduction

2. Background

SEGMENTATION KNOWLEDGE EMERGES FROM FMS

4. FOUNDATION MODEL BASED GIS

5. FOUNDATION MODEL BASED PIS

6. OPEN ISSUE AND FUTURE DIRECTION

相关文章：