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

本文介绍了一种基于全卷积神经网络(FCNs)的实例级分割算法，通过像素级分类器计算相对位置和一些敏感的分数映射，然后通过一个简单的组装模块能够输出每个位置的实例候选。该方法在PASCAL VOC和MS COCO上具有较好的实例分割性能表现。

Mar, 2016

该研究提出一种发现类特定像素的方法，需要通过正确地结合显著性和注意力图才能获得可靠的线索，该方法将二者的可靠性信息组合使用，以训练卷积神经网络以在弱监督语义分割任务和图像级分类任务上实现更好的性能，实验证明，该方法在 PASCAL VOC12 数据集上取得了比以往最好结果更好的成绩。

Jul, 2017

本文提出了一种新颖的方法，使用图像级别的类标签作为监督来学习实例分割。我们的方法生成训练图像的伪实例分割标签，并用于训练完全监督模型。通过IRNet，我们首先从图像分类模型的attention maps中识别出与对象类别相关的种子区域，然后传播到整个实例区域，估计出准确的边界，并为种子分配实例标签，使得整个实例区域可以准确地估计。IRNet是基于attention maps的像素间关系训练的，因此不需要额外的监督。在PASCAL VOC 2012数据集上，我们的方法与IRNet取得了出色的表现，不仅超过了之前使用相同级别监督训练的最先进模型，还超过了一些依赖于更强监督的先前模型。

Apr, 2019

该研究提出了一种只需要点级别注释来训练模型实现物体实例分割的方法，其通过建立一个具有两个分支（定位网络和嵌入网络）的网络，使用伪标签和相似嵌入方法来提高分割效果，在特定情况下，可以获得有竞争力的结果，并且是一种实例分割点级别监督的强基准线。

Jun, 2019

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

提出了一种新的、非常简单的实例分割方法，通过引入“实例类别”概念，将实例掩码分割转化为可分类问题。实验结果表明，该方法具有较强的性能和简单的框架，可以作为许多实例级别识别任务的基准。

Dec, 2019

BoxTeacher是一个高效End-to-End的训练框架，可以实现使用Bounding Box产生高质量的Mask标签的弱监督实例分割，BoxTeacher使用一个复杂的教师网络产生高质量的Mask标签，然后通过noise-aware pixel loss和noise-reduced affinity loss调整学生网络，这种方法在COCO数据集上具有很高的标记AP表现。

Oct, 2022

本文提出了一种名为WSSIS的学习方法，使用点标签实现高效的实例分割，同时引入MaskRefineNet来处理少量标签数据的情况，并在COCO数据集上进行了丰富的实验，获得了比当前半监督方法更好的表现(33.7% vs. 24.9%)，代码提供在https URL上。

Mar, 2023

本论文介绍了一种使用极值点（即每个对象的最上面、最左边、最下面和最右边的点）进行实例分割学习的新方法。通过将极值点视为真实实例掩码的一部分并将其传播以识别潜在的前景和背景点，然后将其用于训练伪标签生成器，再利用生成器提供的伪标签进行最终模型的监督学习，我们的方法在三个公共基准上明显优于现有的基于边界框监督方法，进一步缩小与完全监督对照组之间的差距。特别是在目标对象分隔成多个部分的情况下，我们的模型生成高质量的掩码，而之前的基于边界框监督方法经常失败。

May, 2024