本文提出了一种基于自监督的 Cut-and-Paste GAN 方法，可以在不需要手动注释标记的情况下进行前景对象分割和生成逼真的合成图像，并且采用了 U-Net 判别器，通过伪标签学习语义和结构信息来扩展标准判别器的能力。实验结果表明，该方法显著优于标准基准数据集上的现有方法。

Jan, 2023

该研究提出了一种新的部分监督训练范式和权重转移函数，使得可以在仅有少量掩模注释的情况下，使用来自 Visual Genome 数据集的框注释和 COCO 数据集中 80 个类别的掩模注释，训练出可以检测和分割 3000 个视觉概念的 Mask R-CNN 模型，在 COCO 数据集上进行了实验评估。这是实现广泛理解视觉世界的目标实例分割模型的第一步。

Nov, 2017

本文提出了一种使用图像级别标签进行实例分割的新框架，其中分为两个阶段，分别是训练分类器生成伪掩模并在这些伪掩模上训练完全监督的 Mask R-CNN。在 PASCAL VOC 2012 数据集上进行实验，相对于现有方法说明主要性能提高。

Jul, 2019

本文提出一种基于弱监督实例级别分割网络的伪真实目标掩模递归估计和自顶向下分割反馈来提高目标检测性能的方法。

Mar, 2018

该研究旨在构建一个高性能的缺陷检测模型，能够在未有异常数据的情况下检测图像中未知的异常模式。作者提出了一个两阶段框架，使用仅有的正常数据来进行异常检测，第一阶段学习自监督的深度表示，第二阶段建立基于学习表示的生成单类分类器。该方法在 MVTec 异常检测数据集上表现良好，并在学习表示时相较于现有技术提升了 3.1 AUC。作者还通过迁移学习，在 ImageNet 预训练模型基础上实现了 96.6 AUC 的最优表现，并扩展了该框架以从补丁学习和提取表示，无需训练期间标注即可定位损坏区域。

Apr, 2021

本研究提出了一种新的基于复制 - 粘贴 GAN 框架的无监督目标发现算法，该生成器通过在两张图像间复合物体以骗过判别器来学习发现物体，该系统在四个不同的数据集上都表现优异。

May, 2019

本文提出了一种新型的端到端弱监督检测方法，将引入的生成对抗分割模块与传统检测模块相互作用，充分利用弱监督定位任务的互补解释，即检测与分割任务，形成更全面的解决方案，从而获得更精确的对象边界框。

Apr, 2019

本论文针对计算机视觉中重要的挑战之一 —— 构建数据有效且能处理罕见对象类别的实例分割模型，研究了一种使用数据增强方法的 Copy-Paste 方法，并发现简单的随机粘贴对象机制足以提供良好的性能，并且能够与半监督学习方法相结合获得更好的结果。在 COCO 实例分割任务和 LVIS 评测中，该方法均获得了优异的表现。

Dec, 2020

本文提出一种新的物体检测方法，利用基于判别卷积神经网络的方法生成物体提案，得到高比例正确检测结果，且不需要以往低层次分割技术。

Jun, 2015

通过在受限的可见类别上学习有标注遮罩，从而消除繁重注释负担，并在新颖的 unseen 类别上分割对象，部分监督实例分割是一个任务。本文提出了 ContrastMask，它在统一的像素级对比学习框架下，同时在可见和未知类别上学习掩模分割模型，提高了前景和背景的特征辨别率，促进了课程无关掩模分割模型的学习，在 COCO 数据集上的详尽实验证明了我们方法的优越性，胜过了之前的最新技术。

Mar, 2022