DHR: 基于双特征的层次化重平衡方法在弱监督语义分割中的应用
为了解决弱监督语义分割中伪掩模生成和嘈杂伪掩模监督训练的问题，我们提出了一种新的方法，利用系数变化平滑、比例伪掩模生成、假冒欠拟合和循环伪掩模等技术，取得了PAS-CAL VOC 2012和MS COCO 2014两个语义分割数据集的最新成果，在性能方面全面超越之前的结果。
Aug, 2021
本文提出了一种弱参考语义分割方法，通过在基础类别上添加像素级别的注释，来帮助在只有图像级别标签的情况下，分割新类别对象，实验证明此方法在 PASCAL VOC 2012 数据集上表现显著优于传统方法。
Oct, 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
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
本研究提出了一种基于形状信息的弱监督语义分割方法，采用了新颖的改进方法去增强模型可靠性，能够在单阶段框架内迅速高效地完成训练与推理，在PASCAL VOC 2012数据集上的准确率超过了现有的同类方法。
Aug, 2022
我们提出了一种单级WSSS模型（WS-FCN），它可以捕获由相邻特征网格形成的多尺度上下文，并将低级特征中的细粒度空间信息编码到高级特征中，通过全局物体上下文和本地区域内容消除二者的限制。该模型可以有效地进行自我监督，并在PASCAL VOC 2012和MS COCO 2014数据集上实现了最先进的结果。
Apr, 2023
弱监督语义分割方法在不具备像素级标签的训练数据下，通过只有图像级标签进行像素级分类。本文通过提出新的评估指标和收集一个大小平衡的评估集，揭示了现有弱监督语义分割方法在捕捉小物体方面的困难，并提出了一个大小平衡的交叉熵损失函数和适当的训练策略，从而改进现有方法在三个不同数据集上的性能。
Sep, 2023
基于图像级标签的弱监督语义分割是有效的避免昂贵标注的解决方案。本文首先对传统方法进行全面调研，然后研究了在弱监督语义分割中视觉基础模型（如SAM）的适用性和挑战，为该研究领域的未来发展提供了深入的见解。
Oct, 2023
对比传统的像素级监督语义分割，使用图像级标签的弱监督语义分割（WSSS）面临的挑战是始终专注于最具差异性的区域，导致完全监督条件下的不一致。典型的表现是在目标边界上减少了精度，从而导致WSSS的准确性下降。为了缓解这个问题，我们提出了一种自适应将图像内容划分为确定性区域（如自信的前景和背景）和不确定性区域（如目标边界和错误分类类别）进行分别处理的方法。对于不确定性提示，我们采用基于激活的掩膜策略，并试图通过自身提炼的知识来恢复局部信息。我们进一步假设未掩膜的自信区域应具有足够的鲁棒性以保持全局语义。基于此，我们引入了一种互补的自我增强方法，它限制了这些自信区域与具有相同类别标签的增强图片之间的语义一致性。通过在PASCAL VOC 2012和MS COCO 2014上进行的大量实验证明，我们提出的WSSS的单阶段方法不仅明显优于最先进的基准方法，而且在复杂性换精度的多阶段方法之上。可以在此https URL找到代码。
Dec, 2023