该研究提出了一个新的框架，可以使用大量的便宜的不可靠注释和较少的专家级别的干净注释训练完全卷积分割网络，使用空间可适应重新加权方法在损失函数中平衡了干净和嘈杂的像素级注释，使用元学习方法将更多的重要性分配给损失梯度方向更接近干净数据的像素，实验表明，使用空间重新加权可以改善深度网络对噪声注释的鲁棒性。

Jun, 2019

医学图像分割中标签噪声对深度神经网络（DNN）的性能产生显著影响。本文提出了一种新颖的马尔可夫模型用于分割带有噪声标注的图像，并通过标签校正方法逐步恢复真实标签。实验证明，我们的方法在合成和真实世界的噪声标注数据上优于当前最先进的方法。

Jul, 2023

提出了一种基于早期学习的新型噪声分类技术框架，使用半监督学习的目标概率和正则化项，防止深层神经网络过于依赖错误标注而导致的过拟合现象。测试结果表明，该方法在多个标准基准数据集和实际数据集上均能达到与现有先进技术可比的鲁棒性。

Jun, 2020

本文提出了一种使用两个耦合的 CNN 从纯噪声观察中联合学习单个标注者的可靠性和真实分割标签分布的方法，该方法在三个公共医学影像分割数据集上表现良好，尤其是在注释数量较少且出现较大不一致性的情况下。

Jul, 2020

该研究提出了一种基于超像素的分割学习方法，通过噪声感知训练和噪声标签改进相结合，利用其结构约束来提高分割标签的鲁棒性，实现在标签噪声范围内的有效学习

Jul, 2021

本研究提出一种增量学习方法，可在不影响之前学习到的类别的情况下，学习新类别的语义分割，同时，利用记忆网络来记忆之前学习到的信息。

Oct, 2018

本文介绍了一种使用图像标签进行弱监督语义分割的模型，利用图像标注作为注意机制来识别图像中的语义区域，并描述了如何将此掩模生成策略纳入完全端到端可训练的过程中，其中网络同时学习对图像进行分类和分割，实验表明，利用生成的类特定掩模可以超越只使用图像标记的最新弱监督语义分割方法甚至某些利用额外监督或训练数据的模型。

Apr, 2018

该论文提出了一种新的语义分割框架，采用弱增量学习，使用辅助分类器和软标签更新模型，从图像级别标签中学习新类别的分割，可有效减少由像素逐像素标注带来的时间和经济成本。

Dec, 2021

通过对 11 种注释策略和 4 个数据集进行彻底的成本效益评估，我们得出结论：当注释时间有限时，准确地勾绘感兴趣的对象通常不是最佳方法，注释时间越多也是如此。在这种情况下，突出显示的注释方法是（1）具有少量顶点的基于多边形的注释，以及（2）与 “Segment Anything Model（SAM）” 结合的框注释。在有无限注释时间的情况下，精确的注释仍然会导致最高的分割模型性能。

Dec, 2023

本文提出了一种新的网络层和损失函数，用于退化标注数据并从中学习到尖锐、精确的语义边界，通过实验证明相较于已有方法，其能够显著地改善语义边界检测效果并提高粗分割标签的效率。

Apr, 2019