本文提出了一种基于涂鸦标注的弱监督显著物体检测模型，通过辅助边缘检测任务和门控结构感知损失来改进涂鸦标注的边缘定位问题，同时使用基于结构的损失约束恢复结构的范围，并推出了一种衡量预测显著图的结构对齐度的新度量标准 —— 显著性结构度量。大量实验结果表明，该方法不仅优于现有的弱监督 / 无监督方法，而且与一些最先进的完全监督模型持平。

Mar, 2020

本篇论文提出采用无监督学习方法生成的显著图用于像素级注释，在此基础上采用简单而有效的算法训练卷积神经网络，使用图形模型和完全卷积网络为模型更新修复标签歧义和更新粗糙激活地图，结果表明，该算法与目前最佳的强监管方法相当，性能明显优于所有最新的无监督显著性检测方法。

Mar, 2018

本文提出了基于新型弱标注的视频显著目标检测模型，并使用外观运动融合模块和双向 ConvLSTM 框架来实现有效的多模态学习和长期时序建模，还设计了一种前景背景相似度损失和一种弱标注增强策略，以提高模型性能和伪标签生成技术。在六个基准视频显著性检测数据集上的实验结果证明了我们方案的有效性。

Apr, 2021

本文提出了一种基于 scribble annotations 的弱监督 camouflaged object detection 方法，通过构建包括一致性损失和特征引导损失的模型以及引入两个新模块（LCC 模块和 LSR 模块），实现了结构信息和语义关系的学习和利用，并在三个检测基准上的表现均优于其他当前流行方法。

Jul, 2022

本文提出了一种基于点监督的强基线模型，通过挖掘短期和长期视角的帧间互补信息来推断具有时间信息的显着性图，并采用混合令牌注意模块和长期交叉帧注意模块分别实现。实验结果表明，该方法优于以前的最先进的弱监督方法，甚至可以与一些全监督方法媲美。

Jul, 2022

利用分类标签、字幕和未标记数据等不同类型的监督实现显著性检测模型的训练，通过 CNet 和 PNet 生成像素级伪标签进行训练，使用注意力传输损失和注意力一致性损失，使弱监督训练的模型性能得到提升，实验表明我们的方法与许多监督方法相比具有较好的性能。

Apr, 2019

本文采用点监督的方法提出一种新的弱监督显著性物体检测方法，并使用自适应遮罩洪水填充算法生成伪标签，和基于 Transformer 的模型进行训练，同时提出了一种 Non-Salient Suppression（NSS）方法来针对第一轮训练中生成的错误显著性标签进行优化，并应用于第二次训练中，最终在五个基准数据集上证明该方法优于其他先前的监督学习方法和完全监督的最新模型。

Mar, 2022

本文主要研究弱监督物体检测（WSOD）中缺乏位置监督的问题，并将显著性集成到深度网络中，对高置信对象提出类别特定的显著性，这些特定的位置信息、语义信息和显著信息来显式监督网络，并通过预测网络隐式地指导本地化过程，实现了端到端的训练，实验结果表明，我们的方法优于所有最先进的方法。

Jun, 2017

我们的论文介绍了一种新颖的两阶段自监督方法，用于在图像组中检测共现显著对象（CoSOD），不需要分割注释。我们的轻量级模型利用了补丁和区域级别上的特征对应，显著提高了预测性能。我们的自监督模型在三个 CoSOD 基准数据集上进行了大量实验证明，性能明显优于现有最先进模型。

Mar, 2024

文章提出通过统一的多任务学习框架，使用单个网络解决 WSSS 和 SD 任务，该框架由一个分割网络和一个显著性聚合模块组成，在图像级别和类别无关像素级显著性标签下，端到端训练并在 PASCAL VOC 2012 数据集和四个显著性基准数据集上得到了较好的性能表现。

Sep, 2019