提出了一种基于自监督学习的方法，其中自激活模块（PSM）从输入图像生成自激活映射，避免标注成本，为后续任务生成伪掩模。该方法采用核的检测网络和核的分割网络，通过自监督学习和语义引导生成来实现最终分割，并在两个公开病理数据集上得到有效性验证。与其他全监督和弱监督方法相比，该方法可以在不进行任何手动注释的情况下获得竞争性能。

Oct, 2022

本研究使用深度学习算法和点标签编码方法，实现对 PMS2 染色大肠癌和扁桃体组织图像进行单个细胞检测和分割的目标，相比现有技术，本算法在不增加标注工作的情况下显著提高了细胞检测和分割的效果。

Oct, 2019

使用仅有图像级标签的弱监督对象定位和语义分割方法，该论文引入了一个前景预测图（FPM）的新范例，通过生成 FPM 实现像素级定位；通过观察发现，随着前景掩模的扩大，交叉熵收敛为零（当前景仅覆盖对象部分时），激活值持续增加（直至前景掩模扩展到对象边界），因此，提出了一种背景激活抑制（BAS）方法，通过抑制背景激活值来学习更多对象区域；该方法在 CUB-200-2011、ILSVRC、PASCAL VOC 2012 和 MS COCO 2014 数据集上，实验表明相较于基线方法有显著和一致的改进效果，并达到最先进的弱监督语义分割性能。

Sep, 2023

本文介绍了一种基于深度学习的微观细胞图像语义分割，提出了针对数据量少的高效学习框架，并提出了一次学习和部分监督学习这两种学习策略以及使用小提示图像的新型分割方法。实验结果证明，与传统方法相比，提出的方法提高了 Dice 系数 (DSC)。

Apr, 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

基于无监督语义分割的 PriMaPs-EM 算法能够通过将图像分解为语义有意义的掩膜，并使用随机期望最大化算法拟合类别原型，实现在各种预训练模型和数据集上竞争性的无监督语义分割结果，优化了当前最先进的无监督语义分割流水线。

Apr, 2024

利用弱监督方法，在细胞分割的任务中使用 Segment Anything 模型（SAM），通过对象检测器的输出作为测试时的提示信息（D-SAM），以及 SAM 作为伪掩膜生成器在训练数据上训练一个独立的分割模型（SAM-S），并通过整数规划的方法协调两组分割掩膜，从而实现更高的性能。在公开的细胞分割数据集上进行了实验，结果显示所有基于 SAM 的解决方案明显优于现有的弱监督图像分割模型，增益在 9-15 个百分点之间。

Nov, 2023

本文提出了一种基于像素级原型对比度的弱监督语义分割方法，通过两种直观的先验知识，对图像的不同视角和单个视角内进行执行，旨在实施跨视图特征语义一致性规则，并促进特征空间的内部（间）类一致性（离散度），从而提高了两个强基线模型的精度，并在 PASCAL VOC 2012 上实现了新的最先进水平。

Oct, 2021

本文提出了一种基于深度学习的半监督知识蒸馏方法，通过标注和未标注的数据进行数据训练，建立了一个包含教师和学生网络的 Mask-guided Mean Teacher framework with Perturbation-sensitive Sample Mining (MMT-PSM)。实验表明，该方法相对于只学习标注数据的监督方法和最先进的半监督方法，显著提高了性能。

Jul, 2020

通过使用类别激活图 (CAMs) 适应地捕捉与标注点具有相似语义的区域，在深度学习中实现准确的核分割，从而克服了基于点标注方法中产生伪掩模的问题。

Jun, 2024