该研究提出了一种基于元学习的新框架 MetaSegNet，通过全局和局部特征分支，在元学习中提取少样本语义分割的适当元知识，并将线性模型集成到 MetaSegNet 中，以实现一次性精确地多目标分割。实验结果表明，该方法在 K 路少样本语义分割任务中表现出良好的效果。

Nov, 2019

本文提出一种能够无需依赖显式用户注释的 Flickr 图像，通过利用一些低级线索（如显著性、边缘等）生成代理标签，并使用在线标签噪声过滤辅助模块来帮助协助分割网络学习更干净的代理注释进行语义分割。在 PASCAL VOC 2012 语义分割基准测试中，该算法表现出色，WebSeg (mIoU = 57.0%) 和弱监督 (mIoU = 63.3%) 的设置。

Mar, 2018

本文提出一种跨模态伪标签（cross-modal pseudo-labeling）框架，用于面向开放词汇的实例分割，通过与对象掩膜的视觉特征对齐，实现对字词语义中的新类别进行标记，从而自我训练出一个学生模型，缓解了伪掩膜中存在的噪声干扰所带来的不良影响，相比现有工作，在 MS-COCO 和 Open Images & Conceptual Captions 数据集上分别实现了 4.5% 和 5.1% 的 mAP 得分提高。

Nov, 2021

提出了一种标签噪声鲁棒的学习算法，该算法使用具有元目标的软标签来训练基础分类器，软标签由数据实例的提取特征生成，并使用单层感知器网络进行学习，算法使用少量的无噪声数据作为元数据，实验结果表明，该算法优于现有基线。

Mar, 2021

本文介绍了一种使用图像标签进行弱监督语义分割的模型，利用图像标注作为注意机制来识别图像中的语义区域，并描述了如何将此掩模生成策略纳入完全端到端可训练的过程中，其中网络同时学习对图像进行分类和分割，实验表明，利用生成的类特定掩模可以超越只使用图像标记的最新弱监督语义分割方法甚至某些利用额外监督或训练数据的模型。

Apr, 2018

该研究提出了一个新的框架，可以使用大量的便宜的不可靠注释和较少的专家级别的干净注释训练完全卷积分割网络，使用空间可适应重新加权方法在损失函数中平衡了干净和嘈杂的像素级注释，使用元学习方法将更多的重要性分配给损失梯度方向更接近干净数据的像素，实验表明，使用空间重新加权可以改善深度网络对噪声注释的鲁棒性。

Jun, 2019

本文提出了一种基于超像素指导的用于从弱标注中生成噪声标签的方法（PNS），以及一种基于 MTCL 的 Two-Stage Mean-Teacher-assisted Confident Learning（2SMTCL）方法，用于多类别 OCT 流体分割。实验结果表明，该方法在 OCT 流体分割以及标签去噪方面性能优秀，为眼科领域患者的诊断和治疗提供了高效、准确和实用的解决方案。

Jun, 2023

提出了一种称为 MSLG 的元软标签生成算法，通过元学习技术来共同生成软标签并以端到端的方式学习深度神经网络参数以解决数据集中嘈杂标签引起的性能下降问题。

Jul, 2020

本文研究了在存在噪声标注的情况下深度学习在分割任务中的学习动态，并发现网络在学习之初会优先适应清晰的像素级别标签，然后才会记忆错误的标注。针对这一现象，本文提出一种新的从噪声标注中进行分割的方法，利用两个关键元素：单独检测每个类别的记忆化阶段，以便自适应地纠正噪声注释，并增加一个正则化项以提高鲁棒性。该方法在医学成像分割任务中的性能优于标准方法，具有在 PASCAL VOC 2012 上实现最新的弱监督语义分割的噪声注释的鲁棒性。

Oct, 2021

提出了一种名为 DenoiSeg 的方法，该方法可以在只有很少标注的分割数据的情况下通过噪声优化嵌入式自我监督流程来训练物体分割模型，从而实现高质量分割且不需要大量标注数据的目标。

May, 2020