- AAAI精确至关重要：精确感知的弱监督语义分割集成
ORANDNet 是一种针对弱监督语义分割的新型集成方法，利用两个不同分类器的类激活图和课程学习，提高了伪掩模的精确性并减轻了噪声，从而显著提高了分割性能。基于此方法的扩展同样适用于其他高级弱监督语义分割模型，表明 ORANDNet 具有作 - 竞争像素：一种弱监督分割的自对弈算法
基于图像级标签的弱监督分割方法缺乏标签和感兴趣区域之间的明确对应关系，为此，我们提出了一种基于强化学习自我博弈的新型弱监督分割方法，通过将分割视为两个代理竞争选择包含感兴趣区域的图像块，从而实现对目标的定位。通过使用仅基于图像级二分类标签的 - AnoFPDM: 前向扩散模型用于脑部 MRI 的异常分割
无需像素级标签，利用弱监督扩散模型进行异常分割，提升信号强度并优于最新弱监督方法。
- 微创手术视频中的弱半监督工具检测
通过应用共现损失并使用图像级别标签，以便快速且高效地检测手术工具，我们提出了一种在大规模图像数据集上实现手术工具检测的方法，并在 Endovis2018 数据集上的实验证明了其有效性。
- AAAI弱监督语义分割的渐进不确定特征自强化
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 - 基于图像级标签的弱监督语义分割：从传统模型到基础模型
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。
- 弱监督语义分割的受控扩散图像增强
通过引入一种名为受控扩散的新方法，该研究论文提出了一种解决图像级标签训练弱监督语义分割模型的问题的框架，它通过可控的扩散生成多样化的图像来增强现有的标记数据集，并提出了一种高质量的图像选择策略来减少扩散模型的随机性引入的潜在噪声。实验证明了 - 基于补丁对比学习的弱监督语义分割的 Top-K 汇聚
提出了一种名为 top-K 汇聚的 Vision Transformer 弱监督语义分割方法（TKP-PCL），通过使用 top-K 汇聚层来增强之前最大汇聚选择的限制，并提出了一种补丁对比误差（PCE）来增强补丁嵌入，从而进一步提高最终结 - CVPRLOCATE: 弱监督可支配定位与传输物体部件
本文提出一种名为 LOCATE 的框架，采用图像级别的适应性和对象标签对交互区域进行特征嵌入，并将其聚合为人类、对象部分和背景的紧凑原型之一，以指导功能接地的弱监督学习。对于新物体，实验证明我们的方法在训练图像和测试图像上性能都很好。
- CVPR图像标签语义分割的增量学习
该论文提出了一种新的语义分割框架，采用弱增量学习，使用辅助分类器和软标签更新模型，从图像级别标签中学习新类别的分割，可有效减少由像素逐像素标注带来的时间和经济成本。
- 通过转移语义亲和力和边界实现弱监督语义分割
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。
- CVPR弱监督物体定位的评价：协议、度量和数据集
本文提出一个新的评估协议，将完全监督仅限于一个小的保留数据集，观察了最近五种 WSOL 方法与 CAM 基线的比较并发现没有显著的改进，并提出未来 WSOL 的研究方向建议。
- 基于图像级监督学习的实例分割：口罩在哪里？
本文提出了一种使用图像级别标签进行实例分割的新框架，其中分为两个阶段，分别是训练分类器生成伪掩模并在这些伪掩模上训练完全监督的 Mask R-CNN。在 PASCAL VOC 2012 数据集上进行实验，相对于现有方法说明主要性能提高。
- 基于图像级标签的粗到细语义分割
该研究提出了一种基于图像类别标签的新型递归粗到细语义分割框架，可用于图像分割和前景分割等任务，并且只需要一个标签来处理包含多类别对象的图像。
- AAAICIAN：面向弱监督语义分割的交叉图像亲和力网络
本文提出了一种基于跨图像关系的亲和力模块的方法，该方法在仅使用图像级标签进行弱监督语义分割时实现了最新的、具有优势的 64.3% 和 65.3% mIoU，在结构上更好地利用了单个图像内部和图像间的关系。
- 基于差异系数的弱监督目标检测
本文研究弱监督对象检测的问题，在模型中使用基于分歧系数的概率学习目标，通过深度学习框架提供注释一致的样本来解决条件分布复杂性的挑战，并在 PASCAL VOC 2007 和 2012 数据集上进行了广泛实验。
- CVPR使用类别峰值响应进行弱监督实例分割
本研究提出了一种使用图像级别标签而不是昂贵的像素级别掩模进行弱监督实例分割的方法，该方法通过利用类峰值响应来实现分类网络以提取实例掩模，并生成了称为 Peak Response Maps（PRMs）的实例级别表示，可实现在某些现成方法下提取 - 基于期望最大化算法的弱监督和半监督物体检测
本研究使用深度卷积神经网络结合期望最大值方法解决仅提供图像级标签时的目标检测问题，在 PASCAL VOC 2007 基准测试集中，实验结果表明，我们的方法在弱监督下，较现有最先进方法有明显的性能优化，并且在使用少量实例标注图片的情况下，基 - 学习仅需最少监督的物体定位
本论文提出了一种新方法，通过图像级标签，结合判别子模块覆盖问题和平滑的潜在 SVM 公式，实现仅需很少的监督，即可学习定位对象。实验表明，该方法在 PASCAL VOC 2007 检测中，相对于现有技术有 50％的平均精确度提升。