本文提出了 DeepCut 算法，使用神经网络分类器和 CRF 条件随机场以及弱监督技术，从带有边界框标注的图像数据集中训练对象分割模型，取得了在胎儿磁共振图像数据集的脑和肺分割问题上具有良好精度的结果。

May, 2016

本文提出了一种基于全局约束的弱监督学习分割方法，通过引入严格的拘束和强大的拓扑先验，使得网络输出被限制在一个更准确的区域内，实验结果表明该方法在前列腺和脑病变等应用场景下具有很高的准确性。

Apr, 2020

提出了一种使用欧氏距离图将矩形作为软约束的新型分割方法，通过将图像与这些距离图拼接并将对象掩模预测为输出，我们的方法在给定不精确的矩形的情况下获得准确的分割结果，且适用于交互式分割和实例分割，同时在不重新训练的情况下扩展到基于曲线的输入，并通过条件随机场解决重叠问题，实验结果表明了该方法的有效性。

Jul, 2017

本文介绍一种基于人工交互的视频对象分割方法，使用深度学习技术进行交互式图像分割，并应用于视频对象分割中。在 GrabCut 数据集上，我们的方法以仅需 3.8 次点击的平均值获得 90％的 IOU，与当前最先进的方法相比，具有更高的准确性。此外，我们研究了用户的使用模式和提供的纠正类型等，为进一步改进交互式视频分割提供重要的见解。

Dec, 2017

本文提出了一种名为 BoxSup 的方法，通过利用 bounding box annotations 代替 human-annotated, pixel-level segmentation masks 来训练卷积网络，循环生成 region proposals 和训练卷积网络来恢复分割掩模和提高网络的准确性。这个方法在 PASCAL VOC 2012 和 PASCAL-CONTEXT 上取得了 state-of-the-art 的结果。

Mar, 2015

本文提出了一种基于金字塔直方图的置信度图和基于测地距离的动态模型的视频分割方法，使用本地分类器进行不确定性传递来确定图像区域，并通过对不确定区域的精细化加工得到前景分割结果。此方法能极大地减少手动标注，提高分割性能。在两个标准测试集上进行的实验表明，该方法具有卓越的性能，并且相对于现有技术具有较好的计算效率和减少手动标注的性质。

Feb, 2017

本文提出了一种新的框架，将视频 / 图像分割和区域定位视为一个单一的优化问题，并以非常弱的监督方式集成低级外观线索和高级定位线索的信息。该框架利用不同级别的两种表示，利用边界框和超像素之间的空间关系作为线性约束，同时在边界框和超像素级别上区分前景和背景。与以往主要依赖于判别聚类的方法不同，我们结合了一个前景模型，使得一个物体在所有图像帧中的直方图差异最小。利用超像素和边界框之间的几何关系使得分割线索可以传递以改善定位输出，反之亦然。前景模型的引入将我们的判别框架推广到视频数据，其中背景往往是相似的，因此不具有判别力。我们证明了我们的统一框架在 YouTube 对象视频数据集，Internet 对象发现数据集和 Pascal VOC 2007 上的有效性。

Nov, 2018

本文提出了一种利用光场图像属性的方法，结合图割优化和光场线性估计技术，解决了透明物体在计算机视觉中难以区分的问题，并通过光场数据集验证了该方法的可行性。

Nov, 2015

本文提出了一种新的交互式架构和训练方案，旨在更好地利用用户工作流，并展示出引入专门设计用于复杂对象边界的合成训练数据集可以进一步获得显着的改进，该网络达到了最先进性能。

Mar, 2020

本文提出一种基于盒子注释的弱监督深度学习方法，通过结合图形搜索和深度学习的方法从盒注释中生成精细的对象掩模，并且使用生成的掩模来训练准确的深度学习分割网络，实验结果表明，该方法优于目前已知的最佳弱监督深度学习方法，并且能够以远少于制备全监督深度学习方法相同的注释成本来实现几乎相同的准确性，而且能够有效地应用于各种应用领域。

Jun, 2018