本文研究面向自动驾驶场景的单目图像像素级实例标注问题，使用卷积神经网络和密集连接马尔可夫随机场模型结合的方式，提出了一种全局实例标注方法，并在KITTI基准数据集上取得了显著的性能提升。

Dec, 2015

该研究采用新的建模方法（InstanceCut），通过卷积神经网络和新的实例感知边缘检测模型实现两种输出模态，即无关实例的语义分割和所有实例边界。进一步地，将这两种模态融合为一种新的MultiCut formulation，并在CityScapes数据集上获得了比已有方法更好的结果。

Nov, 2016

提出基于全局推断的标签库（LabelBank）框架，通过视觉提示、属性和/或文本描述来提取全局概念，以改善语义分割性能。在各种设置下，用该框架得到的LabelBank，相比于局部信息，可以更好地描述对象的详细形状，进而提高语义分割的准确性。

Mar, 2017

该论文提出了一种基于语义分割的实例分割系统，利用CRF预测具有对象类和实例标签的分割地图，从而提高难度较大的像素级别分割精度，使像素不能属于多个实例，并在Pascal VOC和Cityscapes数据集上取得最新颖的结果。

Apr, 2017

本文介绍了一种基于Weakly-supervised instance segmentation方法、称为Label-PEnet的分割网络，能够从图像级标签逐步转化到像素级标签，主要包含四个模块：多标签分类、目标检测、实例细化和实例分割，并通过Curriculum Learning策略将标签从高层次图像逐渐泛化到低层次像素。我们同时设计了一种Proposal Calibration模块来验证分类网络找到识别对象部件的关键像素的能力。实验结果表明，相比现有方法，Label-PEnet性能更好，甚至可以达到全监督方法的水平。

Oct, 2019

提出了一种基于弱监督的实例分割方法，使用条件分布来建模伪标签生成过程中的不确定性，通过联合概率学习目标来最小化两个分布之间的差异，实现了在 PASCAL VOC 2012 数据集上优于最优基线 4.2％ [email protected] 和 4.8％ [email protected] 的最新效果。

Jul, 2020

介绍一种新的角度来处理实例分割任务：引入“实例类别”的概念，其根据实例的位置给每个像素分配类别，从而提出了Segmenting Objects by Locations（SOLO）。我们的方法消除了后处理分组或边界框检测的需求，并以在速度和准确性方面都取得了最新成果，同时比现有方法相对简单。

Jun, 2021

基于形状先验的半监督学习方法通过使用形状模型，只需要少量的实际或合成形状数据，从而实现与全面访问训练数据的监督方法相媲美的结果，并在三个数据集上优于预训练的有限领域特定训练数据的监督模型。

Sep, 2023

通过模拟不同噪声条件，对不同分割任务中实例分割模型的鲁棒性和泛化能力进行了评估，引入了COCO-N和Cityscapes-N作为强注释噪声的实验场景。同时，提出了利用基础模型和弱标注来模拟半自动标注工具和其噪声标签的COCO-WAN基准，以研究各种模型生成的分割掩膜的质量，并质疑了常用的处理标签噪声学习的方法的有效性。

Jun, 2024

我们提出了一种新的弱监督实例分割方法，通过预测类不可知的实例边界而不是实例中心点来识别实例，进一步增强了实例边界的连续性和闭合性，并且在只使用像素级注释的情况下取得了可观的性能。

May, 2024