本文提出了一种利用多实例学习（MIL）方法进行多类语义分割的学习的新算法，只需要通过图像级标记进行训练，同时采用全卷积网络来优化细分标签的分配。实验结果表明，该方法在PASCAL VOC数据集的分割挑战任务中有良好的表现。

Dec, 2014

作者提出一种针对弱监督和半监督学习条件下的语义图像分割模型训练的Expectation-Maximization方法，实验表明所提技术具有竞争性的成果，同时需求更少的标注工作量。

Feb, 2015

介绍了一种基于三个指导原则的新型损失函数，用于弱监督训练语义图像分割模型，通过实验证明使用所提出的损失函数训练深度卷积神经网络会比之前最先进的方法在具有挑战性的PASCAL VOC 2012数据集上获得更好的分割结果，并通过详细的实验研究给出了我们方法的工作机制。

Mar, 2016

本研究提出一种使用CNNs结合基于期望最大化算法的弱监督方法来学习语义分割分类器的方法，并通过在简单图像上学习初始化和使用显著性和注意力地图来实现更好的结果，同时，研究也表明该方法无需使用精确像素级别标签，能在PASCAL VOC 2012数据集上保持高性能。

Dec, 2016

该研究提出了一种使用网络图像和图像级标签进行弱监督下的全卷积网络语义分割的方法，其利用大规模的共同分割框架从网络图像中生成标签，获得了56.9的交并比，在语义分割方案中取得了最新的性能。

May, 2017

该研究提出一种发现类特定像素的方法，需要通过正确地结合显著性和注意力图才能获得可靠的线索，该方法将二者的可靠性信息组合使用，以训练卷积神经网络以在弱监督语义分割任务和图像级分类任务上实现更好的性能，实验证明，该方法在 PASCAL VOC12 数据集上取得了比以往最好结果更好的成绩。

Jul, 2017

该论文提出了一种弱监督课程学习流程，用于多标签对象识别、检测和语义分割的任务，其中包括四个阶段，包括训练图像的对象定位、筛选和融合对象实例、像素标注以及基于任务的网络训练，通过这种流程，实现了在MS-COCO、PASCAL VOC 2007和PASCAL VOC 2012数据集上进行多标签图像分类以及弱监督对象检测和语义分割的最新成果。

Feb, 2018

本文介绍了一种使用图像标签进行弱监督语义分割的模型，利用图像标注作为注意机制来识别图像中的语义区域，并描述了如何将此掩模生成策略纳入完全端到端可训练的过程中，其中网络同时学习对图像进行分类和分割，实验表明，利用生成的类特定掩模可以超越只使用图像标记的最新弱监督语义分割方法甚至某些利用额外监督或训练数据的模型。

Apr, 2018

通过利用扩张卷积等方法，本文提出一种弱监督下语义分割的新模型，能够得到准确的物体分割结果，相较于之前的方法在具有1,464个分割掩码的半监督和仅有图像级标签的弱监督设置下，分别获得了60.8％和67.6％的高精度分割效果，成为当前最优秀的模型。

May, 2018

本研究介绍了一种半监督框架，通过一个辅助模型和一个自我纠正模块，在只有一小部分完全有监督图像的基础上，使用具有目标边界框标签的图像和只有目标边界框标签的图像集（称为弱集），训练出高质量的语义分割模型，这种方法比传统大量完全有监督数据模型要求的标注工作量减少 ~7 倍。

Nov, 2018