- CVPR具有分离的客体性学习和类别识别的持续分割
基于强大的目标性和防遗忘特性，我们提出了 CoMasTRe 方法，它将持续分割任务分为两个阶段，通过学习抗遗忘的目标性特征和经过良好研究的分类特征，采用简单但有效的蒸馏策略来强化目标性，并通过多标签类蒸馏策略减轻旧类别的遗忘，实验证明该方法 - 弱监督语义分割问题的分段任意模型（SAM）的实证研究：WSSS 的替代方案？
本文介绍将 SAM 应用于弱监督语义分割，作为伪标签生成流程的方法，在 PASCAL VOC 和 MS-COCO 数据集上取得了显著的改进。
- MARS：基于模型无关的有偏目标去除技术的弱监督语义分割
我们提出了一个全自动 / 模型不可知的偏置消除框架 MARS，使用无监督技术的语义一致特征来消除伪标签中的偏置对象，在 PASCAL VOC 2012 和 MS COCO 2014 等数据集上取得了新的最先进结果。
- FMAS: 快速多目标超级网络架构搜索用于语义分割
FMAS 是一个快速的多目标神经架构搜索框架，用于语义分割。通过在搜索期间对 DeepLabV3 + 结构和预训练参数进行子采样且无需微调，FMAS 显著减少了训练时间，并使用验证数据集的子集进一步降低候选模型的评估时间。最终，只有最终的 - ECCV时空反演扩散张量转换器：一种新的少样本目标检测范式
本文提出使用高阶张量表示和 Transformer 技术来解决 Few-shot Object Detection 中存在的平均池化信息损失和位置信息丢失的问题，并在 PASCAL VOC，FSOD 和 COCO 数据集上取得了最好的结果。
- AAAI针对目标检测的上下文感知迁移攻击
本篇研究提出一种基于对象共现和它们相对位置和大小作为上下文信息的上下文感知攻击方法，可成功针对黑盒对象检测器生成有针对性的误分类攻击，并在 PASCAL VOC 数据集上实现高达 20% 以上的性能提升。
- CVPRSLV: 弱监督物体检测的空间似然投票
本文提出了一种基于空间似然投票模块的 WSOD 方法，该模块可以收敛定位过程，同时进一步提高检测性能，得到了 PASCAL VOC 2007 和 2012 数据集上的优越成果。
- 正负样本不平衡问题下的目标检测
本研究提出了一种基于正无标记问题的方案可以解决目标检测中标注缺失的问题，并在 PASCAL VOC 等数据集中实现了更好的结果。
- ICCV期望最大化注意力网络用于语义分割
本文提出了一种基于期望最大化的注意力机制模块，通过迭代估计一组更紧凑的基础来计算注意力图，从而获得低秩的表示并消除输入中的噪声信息。该模块对输入的差异性具有鲁棒性，且内存和计算效率较好，适用于计算机视觉任务和语义分割模型，在 PASCAL - CVPRC-MIL: 对于弱监督目标检测的连续多实例学习
本文通过引入 “持续优化” 技术来改善多实例学习中的非凸性问题，并将其命名为持续多实例学习（C-MIL），以此提高弱监督目标检测和弱监督目标定位的准确性和效果。
- 基于分割协作的弱监督目标检测
本文提出了一种新型的端到端弱监督检测方法，将引入的生成对抗分割模块与传统检测模块相互作用，充分利用弱监督定位任务的互补解释，即检测与分割任务，形成更全面的解决方案，从而获得更精确的对象边界框。
- CVPRCANet：带有迭代精化和关注少样本学习的类别无关分割网络
本文提出 CANet，一种无类别限制的语义分割网络，可以在只有少量标注图像的情况下用于新类别的分割，网络采用两个分支的密集比较模块进行多层特征比较，并采用迭代优化模块进行预测结果的迭代优化，并引入注意机制来对 k-shot 学习中的多个支持 - YOLO-LITE：面向非 GPU 计算机优化的实时目标检测算法
本文介绍了一种基于 YOLOV2 算法的实时目标检测模型 YOLO-LITE，该模型可以在无 GPU 设备上运行，经过在 Pascal VOC 和 COCO 数据集的训练，在 7 层、482 亿次浮点运算下达到了大约 21 FPS 的检测速 - 用于实时语义分割的轻量级 RefineNet
本文考虑了有效和高效的语义图像分割问题，将一种强大的语义分割结构 RefineNet 适应为更紧凑的结构，通过减少参数数量和浮点操作数量，实现了两倍以上的模型缩小，并保持了性能水平，使最快模型的速度从 20 FPS 提高到 55 FPS，并 - 混合区域嵌入的零样本目标检测
该研究提出了一种基于凸组合嵌入的检测框架来解决零样本目标检测问题，并在 Fashion-MNIST 数据集上进行实验，在 Pascal VOC 检测挑战中获取了令人满意的结果。
- ECCVWebSeg：从网络搜索中学习语义分割
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 - 变量计算预算的循环分割
本文提出了一种递归神经网络用于语义图像分割，该网络可在各种计算预算的范围内部署，并可用于有效地分割静态图像和视频。该方法通过利用先前帧的分割来进行视频分割，在降低计算成本的同时保持了分割质量。
- 语义分割的单次学习
研究在稀缺数据的支持下，将少样本学习方法拓展到密集语义图像分割中，通过训练网络，产生 Fully Convolutional Network 参数来执行稀缺数据学习。与 PASCAL VOC 2012 数据集中最佳基线方法相比，我们的架构在 - 用于语义分割的分层反卷积网络
提出了一种基于多层浅层反卷积网络（SDN）的语义分割技术，通过多层网络集成上下文信息并加入层内和层间连接以提高特征融合和流向信息，应用层级监督优化网络训练，取得优异的分割效果。
- IJCAI基于显著性引导的弱监督物体检测的端到端学习
本文主要研究弱监督物体检测（WSOD）中缺乏位置监督的问题，并将显著性集成到深度网络中，对高置信对象提出类别特定的显著性，这些特定的位置信息、语义信息和显著信息来显式监督网络，并通过预测网络隐式地指导本地化过程，实现了端到端的训练，实验结果