本文提出了一种基于图像级别信息的全新弱监督语义分割方法，该方法不需要使用复杂的伪标签生成过程，而是利用图像分类信息产生可靠的像素级别的注释，然后使用全新的稠密能量损失函数和端到端网络进行图像分割。通过拓展基于图像分类信息产生的像素级别注释的的一步法到两步法模型，我们在 Pascal VOC 数据集上达到了最新的最高水平性能。

Nov, 2019

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

本文提出一种半监督学习的语义分割模型，该模型可以将从像素级别注释的强类别中学到的分割知识转移到只有图像级别注释的弱类别中，从而显著扩大了深度分割模型在实际应用中的适用范围。该模型由两个互补且可学习的部分组成：标签转移网络（L-Net）和预测转移网络（P-Net）。通过将这两个部分进行整合，可以在 PASCAL VOC 2012 数据集上实现与完全监督基线相近的 96.5％和 89.4％的性能，而只使用 50％和 0％的像素级别注释类别。

Nov, 2017

本文提出了一种基于两阶段学习的方法，通过使用全卷积网络来找到最具区分性的部分，再利用条件反馈抑制最显著的部分以找到次重要的部分，最终实现对整个目标区域的捕捉。采用该训练方案可以有效解决弱监督语义分割、显著区域检测和目标位置预测等任务中只关注图像中最重要部分的问题。

Aug, 2017

本研究介绍了一种半监督框架，通过一个辅助模型和一个自我纠正模块，在只有一小部分完全有监督图像的基础上，使用具有目标边界框标签的图像和只有目标边界框标签的图像集（称为弱集），训练出高质量的语义分割模型，这种方法比传统大量完全有监督数据模型要求的标注工作量减少～7 倍。

Nov, 2018

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

本研究基于半监督度量学习方法，提出了四种对应关系来捕捉低 - level 图像相似性、语义标注、共现和特征亲和力。这些节点可以从任何部分注释的训练图像中以数据驱动的方式进行学习，因此，该模型不仅适用于弱监督分割中标记的像素，还适用于未标记的像素。

May, 2021

通过使用 RGB 图像提供场景的更密集表示，我们提出了一种基于图像引导网络（IGNet）的方法，该方法借鉴了通过域适应合成训练的 2D 语义分割网络中的高级特征信息，进一步利用了一种称为 FOVMix 的新型混合策略以解决两个传感器之间的水平视场不匹配问题，以增强图像引导效果，并在 ScribbleKITTI 上实现了弱监督 LiDAR 语义分割的最先进结果，与全监督训练相比，仅使用 8% 的标记点，无需额外的标注负担或推理中的计算 / 内存成本。此外，我们还展示了我们的方法在半监督训练中的有效性，IGNet 在 ScribbleKITTI 和 SemanticKITTI 上均取得了最先进的结果。

Nov, 2023

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