基于形状先验的半监督学习方法通过使用形状模型，只需要少量的实际或合成形状数据，从而实现与全面访问训练数据的监督方法相媲美的结果，并在三个数据集上优于预训练的有限领域特定训练数据的监督模型。

Sep, 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

该研究提出一种名为 Siamese Mask R-CNN 的方法来解决一个新挑战性的问题 —— 一次性实例分割，通过对参考图像和场景进行编码来将检测和分割目标定向于参考类别，虽然将分割实例的知识转移到新对象类别的表现很好，但是针对参考类别进行检测的困难度更大，该研究为一次性实例分割提供了一个有力的准确率基准，并将启发更多有关更强大和灵活的场景分析算法的研究。

Nov, 2018

本文研究了密集滑动窗口实例分割的范例，将其作为 4D 张量预测任务，提出了一种称为 TensorMask 的通用框架，可以明确捕获几何信息和使预测更加准确，比现有的模型具有更好的性能表现。

Mar, 2019

本文提出了一种基于 CAD 模型的方法，结合现有的大规模三维模型数据集，构建了一种可以检测现实世界图像中物体的 CAD 模型表示方法，并且证明了与现有技术相比，该方法在真实世界图像中有着优势。

Jul, 2020

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

本文提出了一种从局部标注的分类中学习通用类别 - 不可知共性的方法，该方法可以用于从少量标注数据中学习新类别的实例分割，并结合了通过检测到分割的转移函数及集群形态优化分割方法。最终，我们的模型在 COOC 数据集的部分监督设置和少量样本设置下显著优于现有方法。

Jul, 2020

本文提出了一种基于弱监督学习框架的对象实例分割方法，使用对抗训练的方法学习对象掩模，利用剪切 - 粘贴的游戏过程，通过掩模生成器和区分器的协同作用来实现分割掩模的优化，实验结果表明，该方法在不需要手工标注分割建议的情况下，可以超越现有的弱监督分割方法，并获得了 90% 的监督分割性能。

Mar, 2018

本文提出了一种快速准确的单阶段实例分割方法，通过将实例分割分解为局部形状预测和全局显著性生成两个并行子任务，并从物体中心点的表示中采用局部形状信息，成功地实现了基于 COCO 数据集的单模单尺度训练 / 测试的 CenterMask 方法，达到了 34.5 的掩模 AP 并以 12.3fps 的速度运行。除了效果较慢的 TensorMask 外，相较于所有其他单阶段实例分割方法，该方法精度更高，在其它单阶段物体检测器中也表现良好，显示了 CenterMask 的泛化能力。

Apr, 2020

通过部分监督学习方法，我们设计了一种训练模型，在只有少数类别的实例标注数据下，通过可微分裁剪和只使用 Groundtruth box 的方法，取得了 COCO 部分监督分割测试集的最佳表现，并发现了强大的 mask-head 泛化效应。

Apr, 2021