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

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

本文提出了一种名为 BoxSup 的方法，通过利用 bounding box annotations 代替 human-annotated, pixel-level segmentation masks 来训练卷积网络，循环生成 region proposals 和训练卷积网络来恢复分割掩模和提高网络的准确性。这个方法在 PASCAL VOC 2012 和 PASCAL-CONTEXT 上取得了 state-of-the-art 的结果。

Mar, 2015

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

该研究提出了一种简单的精细背景表示方法，通过开发一个新颖的原始负区域感兴趣（NROI）来捕捉细粒度的背景语义信息，并进行像素与负区域对比，从而区分混淆的背景像素，实现了在各种弱监督语义分割设置下的新的最先进结果。

Jun, 2024

该论文介绍了一种新的弱监督方法，将神经网络与部分交叉熵损失函数以及门控条件随机场损失函数相结合，以达到在标注像素点与未标注像素点上达到最优的分割效果。

Jun, 2019

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

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

本文提出了一种使用边界框标注的弱监督语义分割方法，采用背景感知池化与噪声感知损失函数，可以在 PASCAL VOC 2012 数据集上比现有技术有更好的语义分割效果。

Apr, 2021

本文提出 Box2Mask 方法，利用 3D 包围盒标签进行弱监督学习，通过 Hough 投票和聚类方法实现 3D 实例分割，无需密集注释点云数据，模型在 ScanNet 测试上达到领先水平（+18 mAP@50），并在实现 3D 实例分割掩码方面取得了令人信服的结果。

Jun, 2022