该论文提出一种基于自注视网络和显著性先验的半监督语义分割模型，能够准确地定位并分割图像区域，且在 PASCAL VOC 2012 上的表现优于目前所有其他先进方法。

Oct, 2019

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

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

本研究旨在通过多任务学习方式训练一个网络实现视觉注意力，使用半监督学习方式生成前 / 背景分割标签，进而训练目标检测模型，利用分割地图实现自我注意机制，获得在交通监控领域两个数据集上显著的 mAP 改进，UA-DETRAC 和 UAVDT 数据集上均实现了最先进的结果。

Feb, 2020

通过使用显著语义地图进行训练期间添加损失项，引导注意力可以改善自动驾驶模型的驾驶质量，并获得更直观的激活图，特别是在数据和计算资源有限的情况下。

Apr, 2024

本文提出了以 L2G 为核心的方法，通过本地分类网络从输入图像中随机获取多个局部路径进行注意提取，然后利用全局网络在线学习多个局部注意映射之间的互补关系，从全局视角学习对象的详细知识，从而产生高质量的注意地图，并将其直接用作语义分割网络的伪注释。

Apr, 2022

我们提出了一种应用于 Vision Transformer 的注意力引导可视化方法，该方法能够为其决策提供高级语义解释，并以类标签为唯一的输入，具备出色的定位性能，在弱监督定位任务中胜过了之前领先的解释方法，并具备捕获目标类对象的完整实例的能力

Feb, 2024

本文提出了一种自我监督的等变注意机制方法 (SEAM) 来解决基于图像级别弱监督学习语义分割的问题。该方法通过提出一致性规则，并利用像素相关模块 (PCM) 来处理背景信息，从而提高了实验效果。

Apr, 2020

基于注意力机制的深度神经网络在物体检测任务中的应用

Feb, 2017

利用分类标签、字幕和未标记数据等不同类型的监督实现显著性检测模型的训练，通过 CNet 和 PNet 生成像素级伪标签进行训练，使用注意力传输损失和注意力一致性损失，使弱监督训练的模型性能得到提升，实验表明我们的方法与许多监督方法相比具有较好的性能。

Apr, 2019