本文提出了一种基于PatchNet模型与VSAD特征表达方法的图像场景识别混合表示方案，并在MIT Indoor67与SUN397两个基准数据集上取得了最新的最优性能结果。

Sep, 2016

该研究提出一种发现类特定像素的方法，需要通过正确地结合显著性和注意力图才能获得可靠的线索，该方法将二者的可靠性信息组合使用，以训练卷积神经网络以在弱监督语义分割任务和图像级分类任务上实现更好的性能，实验证明，该方法在 PASCAL VOC12 数据集上取得了比以往最好结果更好的成绩。

Jul, 2017

通过利用扩张卷积等方法，本文提出一种弱监督下语义分割的新模型，能够得到准确的物体分割结果，相较于之前的方法在具有1,464个分割掩码的半监督和仅有图像级标签的弱监督设置下，分别获得了60.8％和67.6％的高精度分割效果，成为当前最优秀的模型。

May, 2018

本文探讨了使用弱监督方法进行语义分割的可行性，提出了一种基于单阶段自我监督学习的网络模型，使用图像级注释训练语义掩码取得了与复杂流水线相竞争的结果，优于早期的单阶段方法。

May, 2020

本研究提出了一种基于子类信息的自我监督任务方法，通过聚类生成伪子类别标签，从而优化初始响应图，提高弱监督语义分割方法的性能。

Aug, 2020

本研究通过信息学理论视角，提出一种基于互补补丁表示的方法，运用三元组网络和三项规范功能实现互补补丁网络（CPN），同时借助像素-区域相关模块（PRCM）加强上下文信息，从而在PASCAL VOC 2012数据集上取得了新的最优成果以验证该方法的有效性。

Aug, 2021

本文提出了一种基于像素级原型对比度的弱监督语义分割方法，通过两种直观的先验知识，对图像的不同视角和单个视角内进行执行，旨在实施跨视图特征语义一致性规则，并促进特征空间的内部（间）类一致性（离散度），从而提高了两个强基线模型的精度，并在PASCAL VOC 2012上实现了新的最先进水平。

Oct, 2021

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

对比传统的像素级监督语义分割，使用图像级标签的弱监督语义分割（WSSS）面临的挑战是始终专注于最具差异性的区域，导致完全监督条件下的不一致。典型的表现是在目标边界上减少了精度，从而导致WSSS的准确性下降。为了缓解这个问题，我们提出了一种自适应将图像内容划分为确定性区域（如自信的前景和背景）和不确定性区域（如目标边界和错误分类类别）进行分别处理的方法。对于不确定性提示，我们采用基于激活的掩膜策略，并试图通过自身提炼的知识来恢复局部信息。我们进一步假设未掩膜的自信区域应具有足够的鲁棒性以保持全局语义。基于此，我们引入了一种互补的自我增强方法，它限制了这些自信区域与具有相同类别标签的增强图片之间的语义一致性。通过在PASCAL VOC 2012和MS COCO 2014上进行的大量实验证明，我们提出的WSSS的单阶段方法不仅明显优于最先进的基准方法，而且在复杂性换精度的多阶段方法之上。可以在此https URL找到代码。

Dec, 2023

提出了一种名为DuPL的可信逐步学习的双学生框架，用于解决单阶段弱监督语义分割中由CAM伪标签引起的认证偏差问题，通过动态阈值调整和自适应噪声过滤策略在学习过程中逐渐引入更多可靠的伪标签，并针对被丢弃的区域开发了一致性正则化以提供每个像素的监督。实验结果表明，该方法在PASCAL VOC 2012和MS COCO数据集上优于最新的状态-of-the-art替代方案。

Mar, 2024