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

本文提出了一种基于图像级别信息的全新弱监督语义分割方法，该方法不需要使用复杂的伪标签生成过程，而是利用图像分类信息产生可靠的像素级别的注释，然后使用全新的稠密能量损失函数和端到端网络进行图像分割。通过拓展基于图像分类信息产生的像素级别注释的的一步法到两步法模型，我们在 Pascal VOC 数据集上达到了最新的最高水平性能。

Nov, 2019

本文提出了一种基于预测不确定性纠正伪标签学习的无监督语义分割自适应方法，通过模型输出语义分割预测和预测的不确定性，利用预测的方差建模估计不确定性，并将其纳入优化目标，从而动态地根据不同的置信度阈值纠正噪声伪标签，显著提高了在三个基准测试集上的性能。

Mar, 2020

本文探讨了使用弱监督方法进行语义分割的可行性，提出了一种基于单阶段自我监督学习的网络模型，使用图像级注释训练语义掩码取得了与复杂流水线相竞争的结果，优于早期的单阶段方法。

May, 2020

本文提出了一种利用伪标签进行半监督语义分割训练的策略，通过合理融合不同来源和强数据增强来生成实验结果验证有效性。

Oct, 2020

本文提出了一种分布对齐与随机采样方法(DARS), 用于生产能够匹配标记数据的真实分类分布的无偏伪标签，同时也提出了一种渐进式数据增强和标签策略，以促进使用伪标签训练模型。实验结果表明，该方法在Cityscapes和PASCAL VOC 2012数据集上的表现优于现有的前沿方法。

Jul, 2021

本研究提出了一种通过利用熵值对可靠像素和不可靠像素进行分类，再进一步将不可靠像素分配为负样本，从而对无标签数据进行半监督语义分割的有效策略

Mar, 2022

提出了一种新的自我训练策略，允许模型从未来中学习，可以提高合成标签的质量，从而提高半监督学习任务的性能表现。

Sep, 2022

我们提出了一种新的半监督语义分割视角，通过对训练数据集中标记和无标记分布的分析，我们发现即使两个数据集采样自相同分布，标记和无标记数据集之间的分布差异也不能忽视。为了解决这个问题，我们在理论上进行了分析并从实验上证明了适当提高无标记数据的不确定性可以帮助减小分布差异，从而提高模型的推广能力。我们提出了两种策略，并设计了一种特别针对半监督语义分割的不确定性增强算法，基于这些理论进行了大量实验，结果证实了算法和策略的有效性。我们的插拔式不确定性增强器小巧高效，对于超参数具有鲁棒性，但可以显著提升性能。与当前流行的半监督语义分割方法在常用基准数据集Cityscapes和PASCAL VOC 2012上不同的训练设置下，我们的方法在实验中取得了最新性能。

Nov, 2023

借助伪标签，我们提出了一种可靠地从伪标签中学习的方法，通过对象检测器和语义分割模型统一预测，确定可靠的伪标签像素，对伪标记像素分配不同的学习权重来避免噪音训练信号。

Jul, 2024