我们提出了一个名为约束卷积神经网络的方法，它使用一种新的损失函数来优化CNN模型输出空间上任何一组线性约束条件，并且通过大量实验得出该方法在弱监督语义图像分割任务中表现出卓越的效果。

Jun, 2015

介绍了一种基于三个指导原则的新型损失函数，用于弱监督训练语义图像分割模型，通过实验证明使用所提出的损失函数训练深度卷积神经网络会比之前最先进的方法在具有挑战性的PASCAL VOC 2012数据集上获得更好的分割结果，并通过详细的实验研究给出了我们方法的工作机制。

Mar, 2016

本研究提出一种使用CNNs结合基于期望最大化算法的弱监督方法来学习语义分割分类器的方法，并通过在简单图像上学习初始化和使用显著性和注意力地图来实现更好的结果，同时，研究也表明该方法无需使用精确像素级别标签，能在PASCAL VOC 2012数据集上保持高性能。

Dec, 2016

本研究提出了一种使用正则化损失函数来弱监督地提高语义分割的准确性的方法，最终达到近似全监督的质量。

Mar, 2018

本研究提出了一种基于normalized cut的loss function的语义分割方法，相比于传统的弱监督学习方法可以显著提高训练质量。

Apr, 2018

本文提出一种基于不等式约束的CNN弱监督分割方法，通过引入可微分约束惩罚项，使训练过程中的非标注数据指导网络的学习，经实验证明该方法相比于先前研究的Lagrangian方法能够更加优化，并降低了训练过程的计算复杂度。

May, 2018

本篇论文中，我们提出了一种基于边界框监督下的弱监督下的语义分割方法，通过类别掩码模型、像素级别分割提案、填充率指导调整学习过程等手段，有效地减少错误标记造成的影响，提高了实验数据的表现。

Apr, 2019

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

通过使用强度感知距离图和边界损失，本研究在点标注的语义分割中探讨了强度感知距离图与边界损失的组合。结果表明，这种监督策略具有巨大潜力，并在实验中取得了令人鼓舞的初步结果。

Nov, 2023