该论文提出一种基于视觉 - 语言嵌入模型和测试时增强技术的无监督伪标记方法，可以在不需要训练语义分割网络或看到任何分割掩码的情况下为每个对象创建语义分割遮罩。

Dec, 2021

半监督语义分割领域伪标签方法的综述，从不同角度分类并介绍了特定应用领域的具体方法，还探讨了伪标签技术在医学图像分割中的应用，并提出了一些可行的未来研究方向来解决现有挑战。

Mar, 2024

本研究提出了一种基于抽象模型的语义分割框架，分析了不同方法中的四个抽象块在实现语义分割中的重要性，旨在提高语义分割的准确性和效率。

Dec, 2019

该论文综述了应用于各种应用领域的基于深度学习技术的图像语义分割方法，描述了该领域的术语和必要的背景概念，并评估了现有方法的贡献和意义，并给出了相应的定量结果和讨论。

Apr, 2017

本文介绍了一个由许多临床相关解剖学的多任务数据集组成的、用于对语义分割算法进行综合基准测试的开放源代码数据集，其通过多个机构的努力进行生成，成为在 2018 年举行的一个众包挑战中被使用的数据集。

Feb, 2019

本文提出了一种基于区域的语义分割框架，该框架可以处理全监督和弱监督，并通过优化多类损失函数的方法，解决多个尺度区域的重叠、类别不平衡以及类别竞争等问题，实验结果在 SIFT Flow 数据集上表明，在完全监督和弱监督设置下，都能够超过现有技术水平。

Jul, 2015

本文旨在通过采用对比优化目标中的预定中级先验，引入了一个两步框架来学习像素嵌入，从而解决了计算机视觉中的无监督语义表示学习问题，并证明此方法优于现有方法。

Feb, 2021

本论文提出了一种新的基于弱监督和半监督框架的语义分割系统，可以处理包括对象、部分、杂物和属性在内的无限数量的概念，通过训练深度神经网络，产生视觉 - 语义嵌入，在完全注释的数据集上训练注意力驱动类无关分割网络。

Aug, 2018

提供了一种在未标记数据上进行用户定义粒度层次的语义分割的方法，通过累积全局语义信息并学习映射函数，使得带有粒度调整的语义识别的 Segment Anything Model（SAM）能够用于像素级语义注释，实验结果在 PASCAL VOC 2012 和 COCO-80 数据集上分别比现有最先进方法的 mIoU 提高了 17.95% 和 5.17%。

Dec, 2023

本文对基于深度学习的医学和非医学图像分割解决方案进行归类，并从六个主要类别 —— 深度架构、数据合成、损失函数、顺序模型、弱监督和多任务方法对其进行综合性评估。进一步地，对于每一组，我们分析了这些组合的每一个变种，并讨论了当前方法的局限性和未来研究方向。

Oct, 2019