- 边界精化的原型生成：半监督语义分割的通用端到端范式
我们提出了一种新的边界优化类原型生成（BRPG）方法，将其纳入整个训练框架中，该方法在 PASCAL VOC 2012 和 Cityscapes 数据集上的实验表明，它优于当前最先进的方法。
- CVPR基于像素原型对比的弱监督语义分割
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 PA - ICCV弱监督语义分割的补充补丁
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 - 基于图卷积网络的弱监督图像语义分割
本研究提出了一种基于图卷积网络的特征传播框架，将完整的伪标签的生成作为半监督学习任务来解决弱监督图像语义分割问题，并在 PASCAL VOC 2012 数据集上通过实验得到了比其他最先进的基线方法更好的结果。
- CVPR针对弱监督和半监督语义分割的反对抗操纵属性
本研究介绍了 AdvCAM 方法，通过反对抗性的图像像素梯度扰动来提高分类分数，并引入了一种新的正则化方法来抑制与目标对象不相关的区域的错误归属，并限制已经得分较高的区域的归属度。 在 PASCAL VOC 2012 测试图像上，本研究的 - 基于显著性引导的自注意力网络用于弱监督和半监督语义分割
该论文提出一种基于自注视网络和显著性先验的半监督语义分割模型，能够准确地定位并分割图像区域，且在 PASCAL VOC 2012 上的表现优于目前所有其他先进方法。
- 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。
- CVPR基于图像级别监督学习像素级语义相似性用于弱监督语义分割
本文提出了一种用于弱监督下的图像标注的全新框架 ——AffinityNet。该框架通过训练一个深度神经网络，使其能够预测一对相邻图像坐标之间的语义亲和性，从而通过随机游走来实现语义的传播，以生成图像的分割标签。实验表明，使用我们的方法生成的 - 重新思考空洞卷积在语义图像分割中的应用
本文旨在设计 DeepLabv3 系统进行语义图像分割，并通过引入多尺度上下文与全局信息，使用多种空洞卷积组合实现对多尺度物体的分割，最终在 PASCAL VOC 2012 语义图像分割基准测试中取得了令人满意的表现。
- ECCV种子、扩展和限制：弱监督图像分割的三个原则
介绍了一种基于三个指导原则的新型损失函数，用于弱监督训练语义图像分割模型，通过实验证明使用所提出的损失函数训练深度卷积神经网络会比之前最先进的方法在具有挑战性的 PASCAL VOC 2012 数据集上获得更好的分割结果，并通过详细的实验研 - ICLRDeePM: 一种用于目标检测和语义部件定位的深度基于部件模型
本文提出了一种深度基于部件的模型（DeePM），旨在实现符号对象检测和语义部位定位，通过 PASCAL VOC 2012 数据集上的 20 种物体类别的语义部分注释来完成。DeePM 是基于最先进的 R-CNN 框架的潜在图形模型，通过灵活 - 可逆递归实例级对象分割
本文提出了一种新颖的可逆递归实例级对象分割（R2-IOS）框架，该框架由可逆的提案细化子网络和生成每个提案中主要对象实例的前景蒙版的实例级分割子网络组成，并对其进行迭代优化，通过训练和测试数据确定每个提案所需的最佳细化迭代次数。
- 基于提议的实例级目标分割的网络
本文提出了一个 Proposal-Free Network (PFN)，通过基于像素到像素的深度卷积神经网络实现不需要候选区域的实例级对象分割，并结合聚类方法，取得了显著的实例级对象分割表现，与最先进的算法相比在 PASCAL VOC 20 - ICCV深层解析网络语义图像分割
该研究论文通过将高阶关系和标签上下文混合等丰富信息融入到马尔可夫随机场中，提出了一种名为深度解析网络的卷积神经网络，通过一次前向运算实现确定性的端到端计算。在 PASCAL VOC 2012 数据集上经过全面评估，表现出卓越的分割准确性。
- 全连接深层结构网络
该研究提出了一种单一联合训练算法，能够有效地应用于语义图像分割任务，并在具有挑战性的 PASCAL VOC 2012 数据集上呈现鼓舞人心的结果。