该研究提出了一种只需要点级别注释来训练模型实现物体实例分割的方法，其通过建立一个具有两个分支（定位网络和嵌入网络）的网络，使用伪标签和相似嵌入方法来提高分割效果，在特定情况下，可以获得有竞争力的结果，并且是一种实例分割点级别监督的强基准线。

Jun, 2019

本文提出了一种在训练期间可以节省标注成本的方法，该方法通过点级别标注和目标可能性将对象指向强监督引入到 CNN 模型的训练损失函数中，可以明显提高模型的准确性。

Jun, 2015

本文提出了一种新的弱监督全景分割方法，使用逐点标注替代像全监督方法那样使用像素级标签，通过构建端到端的框架同时从逐点标签生成全景伪掩模进行学习，最小化像素到点间的遍历成本以模拟语义相似性、低级纹理线索及高层流形知识，以实现像素解析。在实验中，本文基于 Pascal VOC 及 MS COCO 数据集证明了此方法的有效性及其领先的性能。

Oct, 2022

通过使用弱监督的三维实例分割方法，只需要分类语义标签作为监督，而无需实例级别标签，从而减少批注成本，并利用伪实例标签辅助现有方法学习三维实例分割。

Aug, 2023

本论文介绍了一种使用极值点（即每个对象的最上面、最左边、最下面和最右边的点）进行实例分割学习的新方法。通过将极值点视为真实实例掩码的一部分并将其传播以识别潜在的前景和背景点，然后将其用于训练伪标签生成器，再利用生成器提供的伪标签进行最终模型的监督学习，我们的方法在三个公共基准上明显优于现有的基于边界框监督方法，进一步缩小与完全监督对照组之间的差距。特别是在目标对象分隔成多个部分的情况下，我们的模型生成高质量的掩码，而之前的基于边界框监督方法经常失败。

May, 2024

通过减少视频帧中的人工注释点为每个对象，我们提出了一种训练方法来获得接近完全监督模型的高质量掩码预测，在三个视频示例分割基准上展示了该框架的竞争性性能。

Apr, 2024

我们提出了一种基于点注释的弱监督目标检测方法，并引入了 Point DETR 模型进行训练，实验结果表明该方法在 MS-COCO 数据集上使用 20% 的样本标注数据时（fully labeled data），取得了 33.3 AP 的性能，比 FCOS 强基线模型高出 2.0 AP；同时，点注释在各类 AR 指标上可提高 10 个点以上。

Apr, 2021

利用物体实例的位置信息，设计一种弱监督点云语义分割算法。通过对超分割后的物体实例进行点击，生成分割级别的标签，并通过分割分组网络将分割级别标签转化为点级别伪标签，从而实现基于分割级别标签的语义分割训练。

Dec, 2020

提出了一种基于弱监督的实例分割方法，使用条件分布来建模伪标签生成过程中的不确定性，通过联合概率学习目标来最小化两个分布之间的差异，实现了在 PASCAL VOC 2012 数据集上优于最优基线 4.2％ [email protected] 和 4.8％ [email protected] 的最新效果。

Jul, 2020

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