本文提出了一种新方法，使用单点监督来缓解红外小目标检测中昂贵训练数据的注释负担，并通过引入聚类方法的随机性和 “蒙特卡罗” 聚类方法来精确恢复拟似掩码，从而将任意完全监督的小目标检测网络转变为仅具有单点注释的弱监督网络。实验证明，该方法可以达到与完全监督网络相当的性能，揭示了单点监督的强大性。

Apr, 2023

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

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

这篇论文提出了一种劳动效率高且粗略标注框架，通过使用级数集来获得仅需一次粗略点击即可得到高质量伪掩码，解决了因小目标尺寸和过度正则化导致的零水平轮廓消失的问题，实验表明该方法在 NUAA-SIRST 和 IRSTD-1k 数据集上具有优异的性能。

Oct, 2023

本文提出了一种基于深度学习的弱监督 ALS 点云语义分割框架，在不完整和稀疏标记的未标记数据中利用潜在信息。通过熵正则化、一致性约束和在线软伪标记策略等，显著提高了分类性能，且效率高于当前弱监督方法。ISPRS 3D Labeling Vaihingen 数据集上，该方法只使用 0.1％ 的标记，达到了 83.0％ 的总体精度和 70.0％ 的平均 F1 分数，相较于只使用稀疏标记信息的模型，其提高了 6.9％ 和 12.8％。

Oct, 2021

本文采用点监督的方法提出一种新的弱监督显著性物体检测方法，并使用自适应遮罩洪水填充算法生成伪标签，和基于 Transformer 的模型进行训练，同时提出了一种 Non-Salient Suppression（NSS）方法来针对第一轮训练中生成的错误显著性标签进行优化，并应用于第二次训练中，最终在五个基准数据集上证明该方法优于其他先前的监督学习方法和完全监督的最新模型。

Mar, 2022

本文提出了一种新的弱监督全景分割方法，使用逐点标注替代像全监督方法那样使用像素级标签，通过构建端到端的框架同时从逐点标签生成全景伪掩模进行学习，最小化像素到点间的遍历成本以模拟语义相似性、低级纹理线索及高层流形知识，以实现像素解析。在实验中，本文基于 Pascal VOC 及 MS COCO 数据集证明了此方法的有效性及其领先的性能。

Oct, 2022

我们提出了一种弱监督学习算法，通过仅依赖查询点标注而非完整遮罩标签训练语义分割算法，从而减少了手动注释所需的成本和时间。我们通过生成超像素将查询点标签扩展到包含相似语义的超像素中，并使用部分带有超像素伪标签的图像来监督语义分割模型的训练。我们在航空图像数据集和不同的语义分割结构上对我们的弱监督训练方法进行了基准测试，结果显示我们可以在减少注释工作量的同时达到与完全监督训练相竞争的性能。

Sep, 2023

本文提出的伪标签辅助点云分割方法，可使用非常少的弱标签 (稀疏采样的) 以较低的标注成本获得与全监督方案相同的结果，并且提出了自适应阈值策略来生成基于预测概率的伪标签进行学习。实验证明，本方法在 ISPRS 3D 语义标注基准数据集上取得了 83.7% 的整体准确率和 70.2% 的平均 F1 分数。

May, 2021

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