本研究提出了一种新的基于信心度的类激活映射方法 (Cfd-CAM)，该方法在脑肿瘤图像分割方面具有更高的精度和更好的效果。

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

本文针对弱监督下的语义分割问题，提出了基于 Transformer 的方法，并引入了 Gradient weighted Element wise Transformer Attention Map（GETAM）来提高分类器的效果，并在 PASCAL VOC 和 COCO 数据集上实现了优于现有技术的结果。

Dec, 2021

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

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

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

我们提出了一种面向小规模弱监督应用的结果无关 CAM 方法，叫做 BroadCAM，通过在各种 CNN 架构中对 VOC2012（自然图像）和 BCSS-WSSS（医学图像）进行评估，在小规模数据（不到 5％）中表现出比现有 CAM 方法更优越的性能，并且在大规模训练数据时达到 SOTA 性能，通过广泛的定性比较来证明 BroadCAM 在小规模训练数据时如何激活高类别相关特征图并生成可靠的 CAM。

Sep, 2023

我们提出了一种基于问题回答跨语言图像匹配框架，利用视觉语言基础模型来最大化对图像的基于文本的理解，并引导激活图的生成，以解决现有激活地图方法在目标物体区域低激活和背景区域误激活的问题。

Jan, 2024

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

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