该论文研究了只从图像级别监督中学习语义分割的问题，引入了两个神经协同注意力机制来补充地捕捉跨图像的语义相似性和差异性，提高了物体模式学习和语义分割的性能，并在不同的WSSS设置下实现了最先进的性能。

Jul, 2020

本研究通过信息学理论视角，提出一种基于互补补丁表示的方法，运用三元组网络和三项规范功能实现互补补丁网络（CPN），同时借助像素-区域相关模块（PRCM）加强上下文信息，从而在PASCAL VOC 2012数据集上取得了新的最优成果以验证该方法的有效性。

Aug, 2021

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

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

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

本文提出了一种基于CLIP模型的跨语言图像匹配框架CLIMS，通过自然语言监督以激活更合理的物体区域和抑制相关的背景区域，并使用一组预定义的类相关背景文本描述来防止模型激活相关背景区域，在PASCAL VOC2012数据集上进行了充分的实验，该方法明显优于之前的最先进方法。

Mar, 2022

本文提出了一种基于弱监督的语义分割的新方法，该方法通过操纵激活图来减轻样本分布不平衡和用于全局阈值的过度简化等问题。最后，在PASCAL VOC 2012和MS COCO 2014数据集上实现了最新的分类记录。

Mar, 2022

该论文提出了一种基于图片分类网络和概率解释CAM的图像级弱监督语义分割方法来改善先前弱监督下模型的性能，通过提高区域相似性和轮廓质量来增强几乎任何以前的WSSS方法，并在PASCAL VOC数据集上进行了演示。

Apr, 2023

通过图像空间和特征空间从分割图像中的共现对象中分离出对象，并通过增强语义表示来解决共现问题。

Feb, 2024

提出了一种名为DuPL的可信逐步学习的双学生框架，用于解决单阶段弱监督语义分割中由CAM伪标签引起的认证偏差问题，通过动态阈值调整和自适应噪声过滤策略在学习过程中逐渐引入更多可靠的伪标签，并针对被丢弃的区域开发了一致性正则化以提供每个像素的监督。实验结果表明，该方法在PASCAL VOC 2012和MS COCO数据集上优于最新的状态-of-the-art替代方案。

Mar, 2024