本研究提出了一种基于图像块的无监督图像分割策略，将深度聚类方法中无监督特征提取的进展与经典基于图形的方法的算法帮助相结合。我们展示了一个简单的卷积神经网络，通过使用图割来迭代地正则化图像块的分类，从而自然地实现了最先进的全卷积无监督像素级分割器。此外，我们证明了这是利用由视觉变换器模型生成的图像块级别对偶特征的理想场景。我们在真实图像数据上的结果证明了我们提出方法的有效性。

Nov, 2023

本文提出了一种基于 Semantic-aware Graph Matching 的多标签图像识别框架（ML-SGM），通过建模内容感知（instance）和语义感知（label）之间的关系，显式建立分类之间的相关性和实例 - 标签对应关系，以促进多标签图像理解，并减少对每个类别的大量训练样本的依赖。备考外流考试，了解更多。

Apr, 2023

利用预训练视觉转换模型提取输入图像的高级特征，然后利用图神经网络和基于模块性的优化准则，无需依赖预先标记的训练数据，从图像中提取和划分有意义的边界，实现了竞争性能，进而对无监督医学图像和计算机视觉领域做出了贡献。

May, 2024

本研究提出了一种基于图卷积网络的特征传播框架，将完整的伪标签的生成作为半监督学习任务来解决弱监督图像语义分割问题，并在 PASCAL VOC 2012 数据集上通过实验得到了比其他最先进的基线方法更好的结果。

Mar, 2021

本文旨在探讨如何在无监督行人重识别系统中进行跨摄像头标签估计，并提出了一种动态图匹配方法 (DGM)，通过学习中间估计标签来更新图像图和标签估计过程，降低跨摄像变化造成的不准确性。在多个基准测试中进行了广泛的实验，结果表明，DGM 与全监督基线相当，并优于竞争的无监督学习方法。

Sep, 2017

我们提出了一种考虑 Wasserstein 图匹配的半监督图像描述方法，该方法通过采用原始图像输入来进行生成的句子的监督学习，利用场景图作为中间信息来约束生成的句子，同时结合交叉模态伪监督和结构不变度量，以更有效地使用未描述的图像并学习更合理的映射函数。

Mar, 2024

该研究提出了一种基于不同视图之间的互信息最大化的新的无监督图像分割方法，该方法利用不同形式的掩蔽卷积构建数据的不同视图，用于表示学习或聚类。

Jul, 2020

通过引入 SegMatch 方法，在手术仪器分割中使用半监督学习，减少了对昂贵标注的需求，并在 MICCAI 仪器分割挑战数据集上展示出性能的提升，超过了全监督学习方法和其他半监督语义分割模型。

Aug, 2023

本研究提出了一个针对半监督语义分割的简单但高效的半监督语义分割方法，称为 CorrMatch，目的是通过一致性正则化从未标记的图像中挖掘更多高质量的区域，以更有效地利用未标记的数据。

Jun, 2023

利用标记信息指导非标记示例的学习，通过三个操作进行语义分割的半监督学习，包括相似标记 - 非标记图像对的插值，互信息的转移以及伪面具的泛化。在 PASCAL VOC 2012 和城市景观上的大规模实验中，与先前的方法相比，GuidedMix-Net 取得了竞争性分割准确性，并显着提高了平均交集联合（mIoU）比先前的方法高 7％。

Dec, 2021