本文提出了一种基于涂鸦标注的弱监督显著物体检测模型，通过辅助边缘检测任务和门控结构感知损失来改进涂鸦标注的边缘定位问题，同时使用基于结构的损失约束恢复结构的范围，并推出了一种衡量预测显著图的结构对齐度的新度量标准 —— 显著性结构度量。大量实验结果表明，该方法不仅优于现有的弱监督 / 无监督方法，而且与一些最先进的完全监督模型持平。

Mar, 2020

本文提出了一种基于 scribble annotations 的弱监督 camouflaged object detection 方法，通过构建包括一致性损失和特征引导损失的模型以及引入两个新模块（LCC 模块和 LSR 模块），实现了结构信息和语义关系的学习和利用，并在三个检测基准上的表现均优于其他当前流行方法。

Jul, 2022

用稀疏涂鸦监督的涂鸦增强方法进行基于弱监督语义分割，结合全局语义、类别信息和插值矫正，以及距离熵损失进行不确定性降低，实验证明该方法优于以往方法。

Feb, 2024

传统上，分割算法需要密集注释进行训练，特别是在 3D 医学图像领域，这需要大量的注释工作。我们提出了一个全面的涂鸦监督基准，包括七个使用不同的模态成像的解剖和病理学的数据集。利用部分损失，我们的方法能够在现有的分割方法中融入涂鸦标注，保持原始的损失公式，从而实现了当前最先进性能的一致表现。

Mar, 2024

本文提出了使用手绘标注直接进行语义分割的方法，通过最小化熵和网络嵌入的随机游走等全局操作来降低不确定性，在神经网络特征空间上进行自监督训练以保持预测的一致性，在随机缩小或丢弃 scribbles 的情况下也能获得上乘的效果。

Feb, 2021

利用涂鸦标注图片并开发了一种算法，将涂鸦作为监督信息来训练卷积网络的语义分割，并在 PASCAL VOC 数据集上获得较好结果。

Apr, 2016

本研究提出了一个简单而有效的基于标注涂鸦的医学图像分割方法，并应用于心脏核磁共振图像分割，结合了涂鸦监督和辅助伪标签监督的双分支网络能够高效地从标注涂鸦中学习，并取得了优于目前方法和半监督分割方法的表现。

Mar, 2022

本文提出了一种基于草图标注的弱监督显著性物体检测的一轮端到端训练方法，使用局部一致性损失和显著性结构一致性损失来传播标签以预测完整的显著区域，同时使用聚合模块来更好地整合各种信息；该方法在六个基准测试中实现了最新水平表现。

Dec, 2020

一种新颖的结构感知混合和不变性学习框架 (SA-MixNet) 被提出用于弱监督道路提取，该框架通过数据驱动的方式提高了模型的不变性，结合结构感知混合策略、不变性正则化及基于鉴别器的正则化方法，使得该框架在 DeepGlobe、Wuhan 和 Massachusetts 数据集中的 IoU 指标分别优于现有技术 1.47%、2.12% 和 4.09%，表现出其即插即用的潜力，并将源代码公开发布。

Mar, 2024

通过自我注意力相似度损失的方法，本文提出了一种基于涂鸦监督学习的简单而有效的深度网络结构，用于医学图像分割。

Dec, 2023