本研究提出了一种基于卷积神经网络的模型，只利用物体类别信息，通过最小化对目标分割任务的先验仅推断目标分割。我们展示了该模型在相对于弱监督物体分割任务中领先于业界最先进的方法。

Nov, 2014

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

本文提出了一种从经过预训练的对象识别神经网络中提取精确掩模的新方法，由此摆脱了外部对象模块，并展示了如何通过前后景图像将它们融合与弱监督本地化网络提取的信息，我们的实验结果表明，将这些掩模与弱监督训练损失结合使用可以获得基于标签的弱监督语义分割的最先进结果。

Jun, 2017

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

本文提出一个迭代的自下而上和自上而下的框架，通过挖掘常见特征来扩展对象区域，并通过优化分割网络进行训练和预测对象掩码，证明此方法在Pascal VOC 2012数据集上的表现优于现有的最先进方法。

Jun, 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

本文提出了一种使用边界框标注的弱监督语义分割方法，采用背景感知池化与噪声感知损失函数，可以在PASCAL VOC 2012数据集上比现有技术有更好的语义分割效果。

Apr, 2021

通过像素级反馈和结合图像级标签和预训练显著性检测模型，提出了一种新的弱监督语义分割框架EPS，可有效解决目标覆盖不全、目标边界不准确、目标不同部分像素分散等问题，并在PASCAL VOC 2012和MS COCO 2014数据集上实现了最新的技术水平表现。

May, 2021

使用仅有图像级标签的弱监督对象定位和语义分割方法，该论文引入了一个前景预测图（FPM）的新范例，通过生成FPM实现像素级定位；通过观察发现，随着前景掩模的扩大，交叉熵收敛为零（当前景仅覆盖对象部分时），激活值持续增加（直至前景掩模扩展到对象边界），因此，提出了一种背景激活抑制（BAS）方法，通过抑制背景激活值来学习更多对象区域；该方法在CUB-200-2011、ILSVRC、PASCAL VOC 2012和MS COCO 2014数据集上，实验表明相较于基线方法有显著和一致的改进效果，并达到最先进的弱监督语义分割性能。

Sep, 2023