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

作者提出一种针对弱监督和半监督学习条件下的语义图像分割模型训练的Expectation-Maximization方法，实验表明所提技术具有竞争性的成果，同时需求更少的标注工作量。

Feb, 2015

本文提出了一种简单有效的框架（STC）方法，在此方法中，只利用基于图像级别注释的简单图像对已训练的深度卷积神经网络（DCNN）进行语义分割。通过本文的方法，可以有效减少由于人工标记带来的显著算力和人力成本，使语义对象分割的效果得到显著提升。

Sep, 2015

本文提出了一种无需修改分割训练过程的弱监督训练方法, 通过精心设计给定边界框的输入标签, 经过单一训练循环即可达到先前算法的弱监督结果并能够抵达完全监督模型的约95%的语义标注和实例分割质量。

Mar, 2016

在语义分割方面仅使用图像标签的弱监督方法在像素级注释方面费时昂贵。本文提出了一种不使用外部物体模块的新方法，使用卷积层的激活并通过稠密CRF平滑来从预训练网络本身中提取标记，以实现更精确地语义分割。此外，我们介绍了一种新的廉价的弱监督方法，可提高分类效果。

Sep, 2016

该研究提出了一种使用网络图像和图像级标签进行弱监督下的全卷积网络语义分割的方法，其利用大规模的共同分割框架从网络图像中生成标签，获得了56.9的交并比，在语义分割方案中取得了最新的性能。

May, 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

这篇论文提出了一种弱监督的模型，能够同时执行语义分割和实例分割任务，并使用图像级别标签弱监督“stuff”类别的分割，以及使用边界框弱监督“thing”类别的分割。通过分析注释质量和预测性能之间的关系，可以对数据集的创建有所启示。

Aug, 2018

本篇论文中，我们提出了一种基于边界框监督下的弱监督下的语义分割方法，通过类别掩码模型、像素级别分割提案、填充率指导调整学习过程等手段，有效地减少错误标记造成的影响，提高了实验数据的表现。

Apr, 2019

本文探讨了使用弱监督方法进行语义分割的可行性，提出了一种基于单阶段自我监督学习的网络模型，使用图像级注释训练语义掩码取得了与复杂流水线相竞争的结果，优于早期的单阶段方法。

May, 2020