该研究提出了一种基于迭代算法的学习方法，利用像素点之间的强关联性来生成密集分割地图，并通过信任区域来确保像素关联的可靠性以在没有准确标记的情况下学习亲和力矩阵，实验表明该方法在 PASCAL VOC 2012 和 COCO 数据集上性能优越。

Feb, 2020

本文提出了一种用于弱监督下的图像标注的全新框架 ——AffinityNet。该框架通过训练一个深度神经网络，使其能够预测一对相邻图像坐标之间的语义亲和性，从而通过随机游走来实现语义的传播，以生成图像的分割标签。实验表明，使用我们的方法生成的分割标签训练的 DNN，甚至比其它依赖于更强监管的模型表现更为优秀。

Mar, 2018

本研究提出了一种空间传播网络，用于学习视觉任务的亲和矩阵。通过构建行 / 列线性传播模型，可以精确构建空间变化的转换矩阵，作为精确构建全局对偶关系的亲和矩阵，从而建模图像的密集、全局对偶关系。此网络是一个通用框架，可以应用于包括图像抠图、分割和上色等多个领域。实验证明空间传播网络提供了一种生成高质量分割结果的通用、有效和高效的解决方案。

Oct, 2017

该论文提出了一种新的框架，利用局部图神经网络和基于置信度的路径调度器，可以在大规模真实数据上可靠地传播标签，同时有效地处理异常值和复杂的图结构。在 ImageNet 和 Ms-Celeb-1M 数据集上的实验证明了该方法的有效性。

Jul, 2020

本文提出了将多阶段方法的关联学习嵌入到单阶段模型中，引入自适应关联损失深度学习网络，考虑到伪标签中可能存在的错误，提出了一种新的标签重新分配损失函数，本方法在 PASCAL VOC 2012 数据集上实验表明，优于其他标准单阶段方法，并达到了与多阶段方法相当的性能。

Aug, 2021

本文提出一种训练方法，通过基于随机游走的标签传播和卷积神经网络的相互学习，有效地学习到语义边缘，从而实现对于语义分割任务的有效训练。

Feb, 2018

本文中，我们介绍了一种更优的传统标签传播算法（LPA）的分析方法，它可以利用有用的先验信息，具体而言是无标签数据上的概率假设标签。我们提供了一个误差界限，它利用了底层图形的局部几何特性和先前信息的质量。我们还提出了一个框架来整合多个来源的嘈杂信息。我们在多个基准弱监督分类任务上演示了我们的方法的能力，并展示了对现有半监督和弱监督方法的改进。

Oct, 2022

我们提出了一种基于像素亲和力信息的示例分割方案，其中像素亲和力是两个像素属于同一个实例的关系。通过使用两个具有相似结构的神经网络，一个用于预测像素级语义分数，另一个则用于推导像素亲和力，并将像素视为顶点和亲和力视为边，我们提出了一个简单而有效的图并算法将像素聚类到实例中，实验结果表明，我们的方案可以生成细粒度的实例掩码。使用 Cityscapes 训练数据，该方案在测试集上达到 27.3 AP。

Nov, 2018

提出了一种利用弱监督学习的多任务、利用显著性检测和多标签图像分类作为辅助任务的新型网络框架 AuxSegNet，借助显著性检测作为辅助任务提高了基于图像级原始标注来执行语义分割任务的准确度，实现了在 PASCAL VOC 2012 和 MS COCO 数据集上表现最佳的弱监督分割性能。

Jul, 2021

本文提出一种能够在没有先验标签的情况下实现像素实例分割的新方法：Generic Grouping Networks，在预测配对亲和性（PA）的基础上构建伪基础实例掩码，并与真实标注掩码一起训练模型，从而在多个基准数据集上，相较于现有最优方法，实现了更好的开放域实例分割性能。

Apr, 2022