该研究提出了一种基于显著性引导的图像分割网络，利用自我注意力显著性方法生成微妙的显著性地图，并通过点种植区域生长方法将地点线索扩展为像素级标签，从而生成具有区分性的对象区域。实验结果表明，该方法有效降低了显著性噪声的影响，提高了弱监督图像分割的准确性。

Oct, 2018

使用显著性模型和图像级别注释相结合实现像素级标注的弱监督训练，从而实现像素级对象的语义标注任务，其中 80％的全监督性能已经恢复。

Jan, 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

本篇论文提出采用无监督学习方法生成的显著图用于像素级注释，在此基础上采用简单而有效的算法训练卷积神经网络，使用图形模型和完全卷积网络为模型更新修复标签歧义和更新粗糙激活地图，结果表明，该算法与目前最佳的强监管方法相当，性能明显优于所有最新的无监督显著性检测方法。

Mar, 2018

本研究基于半监督度量学习方法，提出了四种对应关系来捕捉低 - level 图像相似性、语义标注、共现和特征亲和力。这些节点可以从任何部分注释的训练图像中以数据驱动的方式进行学习，因此，该模型不仅适用于弱监督分割中标记的像素，还适用于未标记的像素。

May, 2021

本文提出了一种基于像素级原型对比度的弱监督语义分割方法，通过两种直观的先验知识，对图像的不同视角和单个视角内进行执行，旨在实施跨视图特征语义一致性规则，并促进特征空间的内部（间）类一致性（离散度），从而提高了两个强基线模型的精度，并在 PASCAL VOC 2012 上实现了新的最先进水平。

Oct, 2021

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

提出了一个利用对比学习实现像素级别度量学习的语义分割框架，能够从全局上探索标记像素的结构，并在多个数据集上带来了显著的性能改进。

Jan, 2021

本文提出一种基于对象挖掘的弱监督语义分割方法，该方法采用图形全局推理单元和自我修正机制，可以在非显著区域激活对象特征，进一步挖掘非显著区域的对象，并通过使用假标签的潜在对象挖掘模块减少虚假负面率。实验结果表明，在 PASCAL VOC 数据集上与当前方法相比有最先进的效果。

Mar, 2021

本文提出了一种基于神经网络空间注意力机制的弱监督图像分割算法，通过生成高质量的伪标注提升模型精度，在弱监督语义分割任务上达到了最先进水平。

Mar, 2018