本文介绍了一种新的基于关注多级金字塔结构的类激活特征映射方法 AME-CAM, 该方法对多分辨率的激活图进行聚合，实现了对磁共振成像脑肿瘤分割的高精度预测。

Jun, 2023

本文提出了一种基于 UM-CAM 的新型弱监督学习方法，利用语义特征和上下文信息探测，解决了采用图像级标签的弱监督分割方法中出现的活跃区域不完整的问题，对于胎儿脑分割任务取得了良好的性能。

Jun, 2023

该研究提出了使用无标签图像数据进行不需要图像级监督的类无关激活图生成的对比学习方法（Contrastive learning for Class-agnostic Activation Map），得到了更完整的物体区域，并应用于弱监督目标定位和语义分割中。

Mar, 2022

本文提出了一种名为 SEG-GRAD-CAM 的基于梯度的方法，扩展了广泛使用的 Grad-CAM 方法，用于解释语义分割中每个像素的相关性。

Feb, 2020

近年来，弱监督模型在使用乳腺 X 光照片进行肿瘤检测方面发挥了作用，减少了对像素级注释的需求。然而，大部分文献中的现有模型依赖于类别激活图 (CAM) 作为激活方法，忽视了探索其他激活技术的潜在益处。本研究探索并比较了不同的激活图与弱监督训练方法在乳腺 X 光照片中的检测效果。具体而言，我们在 GMIC 模型中研究了 CAM、GradCAM、GradCAM++、XGradCAM 和 LayerCAM 方法，并在 VinDr-Mammo 数据集上进行了评估，使用了精度、真阳性率 (TPR)、假阴性率 (FNR) 和每张图像的假阳性数 (FPPI) 这些度量指标。结果表明，在训练和测试阶段使用不同的激活图策略会改善模型性能。通过这种策略，我们改善了 GMIC 方法的结果，降低了 FPPI 值并增加了 TPR。

Aug, 2023

基于 Conformer 的 TransCAM 方法在弱监督语义分割中解决了背景噪声的问题，减少了背景噪声的影响，提高了伪标签的准确性。在实验中，我们的模型在 PASCAL VOC 2012 验证数据上达到了 70.5% 的分割性能，在测试数据上达到了 71.1% 的分割性能，在 MS COCO 2014 数据上达到了 45.9% 的分割性能，优于 TransCAM 方法。

Apr, 2024

提出了一种活动调制和校准 (AMR) 方案，利用聚光分支和补偿分支获得加权的 CAMs，提供重新校准和任务特定的概念来提高图像级弱监督语义分割的性能。

Dec, 2021

通过使用卷积神经网络和生成式对抗网络，研究人员成功地应用高对比度图像来增加自动分割 MRI 脑肿瘤的准确性，预测病人生存时间。

Sep, 2019

本文介绍了一种称为 ReCAM 的弱监督语义分割方法，通过将 softmax 交叉熵损失函数用于已收敛的 class activation map 从而生成高质量的掩膜。

Mar, 2022

提出了一种新的方法，Puzzle-CAM，用于在使用图像级监督的情况下，通过最小化从分离补丁和整个图像的特征之间的差异来发现对象中最集成的区域，以激活对象的整体区域。在 PASCAL VOC 2012 测试数据集上，Puzzle-CAM 的表现优于以前的最先进的方法。

Jan, 2021