该研究提出了一种基于显著性引导的图像分割网络，利用自我注意力显著性方法生成微妙的显著性地图，并通过点种植区域生长方法将地点线索扩展为像素级标签，从而生成具有区分性的对象区域。实验结果表明，该方法有效降低了显著性噪声的影响，提高了弱监督图像分割的准确性。

Oct, 2018

该论文提出了一种基于区域的方法来估计图像中特征的重要性，利用多尺度分割产生更具类别区分度和视觉效果的显著图，通过对输入图像进行多尺度分割来构建一个正态分布，并对边界先验进行仿真，证明该方法比传统方法更有效。

Jul, 2018

该研究提出一种发现类特定像素的方法，需要通过正确地结合显著性和注意力图才能获得可靠的线索，该方法将二者的可靠性信息组合使用，以训练卷积神经网络以在弱监督语义分割任务和图像级分类任务上实现更好的性能，实验证明，该方法在 PASCAL VOC12 数据集上取得了比以往最好结果更好的成绩。

Jul, 2017

本文介绍了使用卷积神经网络进行图像视觉显著性建模的方法，采用新的神经网络结构和改进的空间相关性方法，同时使用多重分割提高了性能，实验表明我们提出的方法在公共基准测试中的表现优于目前已发表的最先进技术。

Mar, 2015

本研究提出了一种从头开始训练仅使用 0.048％其他深度显著对象检测网络参数的内存高效网络的方法，该方法使用保留常规像素的对象边界和连接规则的网格化超像素将图像进行编码，实现与最先进的深度显著对象检测方法相媲美的准确性，更快速、更节省内存并适用于内存受限的设备。

Dec, 2017

使用显著性模型和图像级别注释相结合实现像素级标注的弱监督训练，从而实现像素级对象的语义标注任务，其中 80％的全监督性能已经恢复。

Jan, 2017

本研究采用基于超像素的语义分割，考虑三种不同级别的邻域上下文，采用最大投票和加权平均等集成方法，利用 Dempster-Shafer 理论分析各类别之间的混淆，并在相同数据集上证明我们的方法优于其他现代方法。

Mar, 2018

通过使用超像素与现代 Transformer 框架相结合，本研究提出一种能在语义分割领域获得最先进性能的方法，通过学习将像素空间分解为低维超像素空间，并运用多头自注意力机制来丰富超像素特征以获得全局上下文信息，最终实现了更高的计算效率和模型性能。

Sep, 2023

研究使用网格显著性来提供简单的语义分割网络的解释，该方法可以成功地用于检测和定位数据中存在的语境偏差。

Jul, 2019

本研究提出一种新颖的方法，通过多层激活层和三种兼容的损失来编码基于拓扑学的先验信息，以解决生物图像分割任务中的问题，并在 2018 年的 Data Science Bowl 挑战中验证了该方法的效果，可以大幅提高分割的 Dice 分数。

Apr, 2018