本文提出了一种用于弱监督下的图像标注的全新框架 ——AffinityNet。该框架通过训练一个深度神经网络，使其能够预测一对相邻图像坐标之间的语义亲和性，从而通过随机游走来实现语义的传播，以生成图像的分割标签。实验表明，使用我们的方法生成的分割标签训练的 DNN，甚至比其它依赖于更强监管的模型表现更为优秀。

Mar, 2018

该论文介绍了一种使用直接监督的简单、快速但有效方法来利用结构信息来提高语义分割模型的性能，该方法要求网络显式地预测语义分割以及扩张亲和力，后者是一种稀疏版本的成对像素亲和力，能够直接建立像素间的关系并增强分割质量。

Jul, 2019

该研究提出了一种基于迭代算法的学习方法，利用像素点之间的强关联性来生成密集分割地图，并通过信任区域来确保像素关联的可靠性以在没有准确标记的情况下学习亲和力矩阵，实验表明该方法在 PASCAL VOC 2012 和 COCO 数据集上性能优越。

Feb, 2020

本研究提出了一种利用二元分割掩模和像素亲和力场预测车道检测的方法，并利用亲和力场和二元掩模水平和垂直地将车道像素聚类到相应的车道实例中，此方法可以检测可变数量车道并且整体上比以前的聚类方法更可解释。在多个数据集上的合格和定量结果展示了我们的模型能够有效地检测和聚类车道，已经成为最具挑战性的 CULane 数据集和最近引入的非监督 LLAMAS 数据集的最新技术。

Mar, 2021

本文介绍使用谱嵌入算法实现感知组织中的图像分割和前景 / 背景组织，使用卷积神经网络直接预测像素之间的关系来构建矩阵，通过谱嵌入算法实现全局一致的分割和前景 / 背景组织，并与 CRF 结合的深度神经网络作了比较。

Dec, 2015

本文提出了基于结构语义分割输出中成对像素协同模式的特征不变性，利用源域和目标域之间的亲和力空间进行领域自适应，提出了两种亲和力空间自适应策略，在多个具有挑战性的语义分割问题上，所提出的方法优于现有方法。

Sep, 2020

本文提出了一种基于干预注意力图神经网络的边界框监督语义分割方法，通过伪语义种子和边界框约束来提高模型的训练精度，并在 Pascal VOC 2012 数据集上取得了最新的最佳性能。

Jun, 2021

我们提出了一种基于像素亲和力信息的示例分割方案，其中像素亲和力是两个像素属于同一个实例的关系。通过使用两个具有相似结构的神经网络，一个用于预测像素级语义分数，另一个则用于推导像素亲和力，并将像素视为顶点和亲和力视为边，我们提出了一个简单而有效的图并算法将像素聚类到实例中，实验结果表明，我们的方案可以生成细粒度的实例掩码。使用 Cityscapes 训练数据，该方案在测试集上达到 27.3 AP。

Nov, 2018

本论文提出了一种名为自适应聚焦框架（AF2）的层级分割方法，通过利用多尺度特征信息来更好地识别不同大小的目标，并通过可学习的自适应置信机制（ACM）确定不同对象分割时应该使用哪种尺度的特征，实验证明该方法在三种广泛使用的航拍图像数据集上都取得了显著提高的准确性。

Feb, 2022

介绍了一种名为 CRF-RNN 的新型卷积神经网络，该网络将卷积神经网络（CNN）和基于 CRFs 的概率图建模相结合，用于语义图像分割任务，结果在 Pascal VOC 2012 分割基准测试上获得了最好的结果。

Feb, 2015