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

介绍了一种基于三个指导原则的新型损失函数，用于弱监督训练语义图像分割模型，通过实验证明使用所提出的损失函数训练深度卷积神经网络会比之前最先进的方法在具有挑战性的PASCAL VOC 2012数据集上获得更好的分割结果，并通过详细的实验研究给出了我们方法的工作机制。

Mar, 2016

本研究提出一种使用CNNs结合基于期望最大化算法的弱监督方法来学习语义分割分类器的方法，并通过在简单图像上学习初始化和使用显著性和注意力地图来实现更好的结果，同时，研究也表明该方法无需使用精确像素级别标签，能在PASCAL VOC 2012数据集上保持高性能。

Dec, 2016

提出基于全局推断的标签库（LabelBank）框架，通过视觉提示、属性和/或文本描述来提取全局概念，以改善语义分割性能。在各种设置下，用该框架得到的LabelBank，相比于局部信息，可以更好地描述对象的详细形状，进而提高语义分割的准确性。

Mar, 2017

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

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

通过仅在稀疏像素位置提供标签，深度神经网络可以实现良好的语义分割性能，结合主动学习机制和高效注释策略可以大大减少标注成本，并在CamVid，Cityscapes和PASCAL VOC 2012数据集上进行了实验证明了相当可比的性能。

Apr, 2021

提出了通过结合主动学习和半监督学习来减少标注样本数量的新算法，应用于语义分割任务取得了优异的成果。

Mar, 2022

我们提出了一个新的训练框架，用于解决Heterogeneous Training of Semantic Segmentation (HTSS)问题，可以同时训练多个具有不同标签空间和标注类型的数据集，以提高Semantic Segmentation在性能、泛化和可识别的语义概念等方面的表现。

Jan, 2023

Weakly Incremental Learning for Semantic Segmentation (WILSS) addresses the issue of conflicting predictions and catastrophic forgetting by proposing a tendency-driven relationship of mutual exclusivity, allowing for concurrent execution with model parameter updating via a bi-level optimization problem, leading to new benchmarks and paving the way for further research.

Apr, 2024