本文提出了一种基于深度交互式分割模型的交互式对象分割方法，并利用真实人类注释数据集发布了一个实例分割数据集，同时还提供了一个自动评估模型以更好地保证注释质量。

Mar, 2019

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

本文研究了一种高效的策略收集多类别图像集的分类标签，使用自监督学习技术并将标注问题视为半监督学习问题，并提出了有效的标注指南，用此方案对 ImageNet100 图像集进行模拟实验，结果表明每张图像平均仅需 0.35 个标注，即可标注到 80% 的 top-1 准确率，相比之前的工作和手动注释，分别提高了 2.7 倍和 6.7 倍。

Apr, 2021

该论文提出了一种可通过学习实例嵌入提供无监督发现实例分割中长尾类别的方法，利用图像中对象之间的丰富关系和层次结构提出了自监督损失方法训练掩码嵌入，经 COCO 数据集训练，该模型能够发现比 COCO 中的常见类别更精细和新奇的对象，并在 LVIS 评估中取得了与监督和部分监督方法相竞争的结果。

Apr, 2021

利用语音交互技术优化深度学习目标检测中对数据集的标注工作，通过使用语音代替鼠标进行对象类别和边界框的注释，有效提高标注效率，实验表明该方法优于传统标注框架。

May, 2019

通过标注协助者与自动化助手协作的方式，有效降低了全视场分割图像标注的工作量，并经过 COCO 数据集的严格实验验证，证明优于传统的手动标注方法。

Jun, 2019

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

本文提出了一种基于自监督生成学习的、注释高效的 OCT 图像细分方法，该方法可以显著降低注释成本并加速训练，相比于 U-Net 模型，只需要约 10% 的数据就能达到相同的分割精度。

May, 2023

本论文提出了一种新的基于弱监督和半监督框架的语义分割系统，可以处理包括对象、部分、杂物和属性在内的无限数量的概念，通过训练深度神经网络，产生视觉 - 语义嵌入，在完全注释的数据集上训练注意力驱动类无关分割网络。

Aug, 2018