- 弱监督语义分割的注意力图背景噪声消除
基于 Conformer 的 TransCAM 方法在弱监督语义分割中解决了背景噪声的问题，减少了背景噪声的影响，提高了伪标签的准确性。在实验中，我们的模型在 PASCAL VOC 2012 验证数据上达到了 70.5% 的分割性能，在测试 - 再思视觉显著性引导的弱监督语义分割
基于对显著性图在弱监督语义分割中的作用的新见解和实证发现，该论文提出了对显著性图的新视角，并展示了其在研究方向上的启示。通过全面的实验，发现显著性图的质量是显著性引导的弱监督语义分割中的关键因素；同时指出之前研究中使用的显著性图往往是任意选 - 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
采用无监督和弱监督特征图代替传统方法，通过层次化的掩膜增强实现对弱监督语义分割（WSS）的改进，有效解决了 WSS 在处理较小类别时的挑战，大幅提升了 WSS 的性能，并在多个基准数据集上取得了显著的结果改善。
- SemPLeS：弱监督语义分割的语义提示学习
我们提出了一种名为 “SemPLeS” 的框架，通过学习有效地提示 CLIP 空间，以增强分割区域与目标对象类别之间的语义对齐，从而产生训练分割模型所需的伪掩码。在 PASCAL VOC 和 MS COCO 等标准 WSSS 基准测试中，我 - 驾驶场景的弱监督语义分割
基于对数据集特征的广泛分析，我们提出了一种新的弱监督语义分割框架，通过使用对驾驶场景数据集进行定制化处理，克服了现有技术在这类数据集上性能严重降低的挑战，并针对 Contrastive Language-Image Pre-training - 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 - 弱监督语义分割中的小物体重要性
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 - 从文本到掩码：使用文本 - 图像扩散模型的注意力定位实体
本研究揭示了扩散模型中隐藏的丰富多模态知识的一种新方法，用于分割任务。
- AME-CAM: 注意力多路出口 CAM 在 MRI 脑肿瘤弱监督分割中的应用
本文介绍了一种新的基于关注多级金字塔结构的类激活特征映射方法 AME-CAM, 该方法对多分辨率的激活图进行聚合，实现了对磁共振成像脑肿瘤分割的高精度预测。
- 一种基于置信度的 MRI 脑肿瘤分割之新型类激活映射方法
本研究提出了一种新的基于信心度的类激活映射方法 (Cfd-CAM)，该方法在脑肿瘤图像分割方面具有更高的精度和更好的效果。
- 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。
- 将全局上下文和局部内容耦合在一起进行弱监督语义分割
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 - WeakTr: 探索用于弱监督语义分割的普通视觉 Transformer
本文探讨了 Vision Transformer (ViT) 在弱监督语义分割 (WSSS) 中的属性。在提出的 WeakTr 框架中，通过自适应融合自注意力图来具有更完整的对象的高质量 CAM 结果。在标准基准测试中，WeakTr 实现了 - CVPR从非判别特征中提取类激活图
提出了一种新的计算 CAM 的方法，通过引入一种新的计算方法，可以显式地捕捉到不具有识别能力的对象特征，从而将 CAM 扩展到覆盖整个对象，实验结果表明，该方法在弱监督语义分割领域具有优越性，且计算成本较低。
- CVPR基于 Token 对比的弱监督语义分割
本研究提出了 Token Contrast (ToCo)，一种用于解决 Vision Transformer（ViT）在弱监督语义分割 (WSSS) 中过度平滑的问题，是革新的 Class Activation Map（CAM）的一种实验。 - 基于弱监督的组织学图像腺体分割的在线易例挖掘
提出了一种在线易学例挖掘（OEEM）方法，该方法鼓励网络专注于可信的监督信号而非噪声信号，从而缓解了伪遮罩中不可避免的误报预测的影响，针对腺体数据集的特点，设计了强大的腺体分割框架，其结果在 mIoU 方面超过了许多全监督方法和弱监督方法使 - RecurSeed 和 EdgePredictMix：弱监督语义分割的单阶段学习已足够
本文提出了一种名为 RecurSeed 的方法来应对弱监督语义分割中的非检测和误检测现象，并且通过一种名为 EdgePredictMix 的新型数据增强方法来表达目标的边缘，从而在 PASCAL VOC 2012 和 MS COCO 201 - CVPRWSSS 中的阈值问题：操纵激活函数以构建鲁棒准确的分割模型
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。