本文提出了一种新型的参考语义分割网络（Ref-Net），结合了人类的视觉认知能力，采用参考目标特征和已有的开源数据集边界知识，通过参考分割模块和边界知识翻译模块，实现在只有几十个样本的有限监督下，较好地完成了多个数据集上的对象分割任务。

Aug, 2021

本文提出一种基于深度学习的通用框架，模拟人类图像分类任务中的识别机制，旨在在分类任务中提高对未知类别的分类性能。作者研究了一项新的任务，称为比较知识转换，该任务通过一个比较分类转换网络，将已标记类别的比较知识翻译到一组新类别上。实验表明，该模型在未知类别上具有令人惊讶的泛化能力，并在目标类别上取得了顶尖的性能。

May, 2022

基于深度卷积神经网络的物体检测系统在许多大规模物体检测基准测试中取得了显着成就，然而，这需要大量的标注边界框来进行训练。本文通过将图像级别分类器转化为物体检测器解决了此问题，并利用来自视觉和语义领域的物体相似性知识，在将分类器转换为没有边界框注释的类别时转移此信息。实验结果表明，我们提出的基于物体相似性的知识转移方法在半监督设置下实现了最先进的检测性能。

Jan, 2018

本文提出了一种基于边界优先的知识蒸馏（BPKD）方法，该方法将教师模型的身体和边缘的知识与紧凑的学生模型分别蒸馏，并利用两个不同的损失函数：1）边缘损失，在边缘区域的像素级别上区分模糊类别；2）主体损失，利用形状约束和选择性注意内部语义区域中的主体部分。通过在三个流行的基准数据集上进行的实验证明，BPKD 提供了广泛的边缘和主体区域的改进和聚合，并在语义分割方面实现了最先进的蒸馏性能，突显了其有效性和泛化能力。BPKD 在各种轻量级语义分割结构上都有一致的提升，并提供了代码。

Jun, 2023

使用少量有标签的支持图像来识别新类别对象的分割，本文提出了 Target-aware Bi-Transformer Network（TBTNet）以等效处理支持图像和查询图像，并设计了强大的 Target-aware Transformer Layer（TTL）以提取相关性并强制模型关注前景信息，该方法在 PASCAL-5i 和 COCO-20i 标准 FSS 基准测试上表现出色。

Sep, 2023

通过知识蒸馏将较大的教师模型的知识传递给小型学生模型，我们提出了一种面向语义分割的有针对性的边界和关系蒸馏策略，以解决小型模型在保持边界区域完整性和保持目标区域连通性方面的错误，并在多个数据集上验证了该方法的优越性。

Jan, 2024

SegVG 是一种新颖的方法，通过将边界框级别的注释转化为分割信号，为视觉定位任务提供了像素级别的监督。通过多层多任务编码器 - 解码器，我们学习了回归查询和多个分割查询，以在每个解码层中通过回归和分割来定位目标。通过三重对齐模块来减少域间差异，该模块使用三重注意机制来更新查询、文本和视觉特征，从而提升了目标定位性能。在五个广泛使用的数据集上进行的大量实验证实了我们的卓越性能。

Jul, 2024

本文提出一种半监督学习的语义分割模型，该模型可以将从像素级别注释的强类别中学到的分割知识转移到只有图像级别注释的弱类别中，从而显著扩大了深度分割模型在实际应用中的适用范围。该模型由两个互补且可学习的部分组成：标签转移网络（L-Net）和预测转移网络（P-Net）。通过将这两个部分进行整合，可以在 PASCAL VOC 2012 数据集上实现与完全监督基线相近的 96.5％和 89.4％的性能，而只使用 50％和 0％的像素级别注释类别。

Nov, 2017

本文介绍了第一次尝试使用图像级别的类别标签作为监督来学习语义边界检测的方法，并且提出了一种基于多实例学习的任务形式，在区别不同类别的领域之间通过互相连线代表边界。我们提出的神经网络模型可以可靠地学习估计语义边界，即使是在多实例学习策略的不确定监督下，将其用于生成训练图像的伪语义边界标签，并使用这些标签来训练完全监督模型。最终模型在 SBD 数据集上取得了出色的表现，与一些使用更强监督的模型相当竞争。

Dec, 2022

本文提出了一种新的网络结构 CTO，该结构组合了卷积神经网络、Vision Transformer 和显式边界检测操作符，以实现高精度和效率的平衡。实验结果证明，该方法在六个医学图像分割数据集上均取得了最先进的准确性和竞争性的模型复杂度。

May, 2023