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

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

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

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

本文提出了一种新的针对仅有边界框注释的多边形实例分割的端到端训练技术，称为 BoxSnake，其方法由基于点的一元损失和基于距离感知的二元损失组成，并证明了该技术在 Cityscapes 数据集上相对于基于掩码的弱监督方法具有显著优势。

Mar, 2023

提出了一种基于 BoxCaseg 的类无关目标分割解决方案，该模型利用多任务学习的方式同时使用盒式监督图像和显著图像进行训练，从而为弱监督的实例分割提供类无关和精确的物体定位指导。结果表明，仅使用 7991 个显著图像，基于 BoxCaseg 的弱监督 Mask R-CNN 在 PASCAL VOC 上表现与全监督 Mask R-CNN 相当，在 COCO 上明显优于以前的基于盒式监督的实例分割方法。

Apr, 2021

该研究提出了一种新的单次盒监督实例分割方法，该方法将经典的水平集模型与深度神经网络结合到一起，提出了一种连续的 Chan-Vese 能量功能，采用简单的盒标注来学习一系列水平集，通过盒投影功能来获得初始边界，并在相应的边界框注释内逐步优化每个实例的水平集。实验结果表明该方法在各种情况下实现了鲁棒的实例分割效果。

Jul, 2022

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

提出了基于单点标注的弱监督实例分割方法，通过该方法，仅标注每个物体的随机 10 个点就能够达到 94% 至 98% 的全监督效果，比全物体标注的方法快 5 倍，同时提出了一种新的基于点标注的 PointRend 实例分割模型，称为 Implicit PointRend。

Apr, 2021