多模态半监督模型提出一种新的对比损失函数最小化两种图像模态的差异伪标签再学习解决不同模态之间存在的预测效果差异将高性能模态的模型用作具有更高置信度的教师模型在推理阶段仅使用一种模态进行分割利用损失函数减少模态之间的异质性利用mean-teacher模型减少预测的输入模态利用伪标签再学习方法提升鲁棒性利用BMA参数更新提升模型准确性。

小肠路径跟踪是一个具有挑战性的问题，考虑到其沿途有许多褶皱和接触。出于同样的原因，在3D中实现小肠的标签（GT）路径是非常昂贵的。本文方法使用具有不同类型注释的数据集来训练深度强化学习跟踪器使用只有GT小肠分割的CT扫描以及具有GT路径的CT扫描。它是通过设计一个兼容两者的独特环境来实现的，包括即使没有GT路径也可以定义的奖励。实验证明了该方法的有效性。所提出的方法在这个问题上具有高度的可用性，因

最近，半监督语义分割在少量标记数据的情况下取得了很好的性能。然而，大多数现有研究对所有未标记的数据一视同仁，几乎没有考虑未标记实例之间的差异和训练困难。区分未标记实例可以促进实例特定监督动态适应模型的演化。本文方法强调了实例差异的关键性，并提出了一种用于半监督语义分割的实例专用和模型自适应监督，称为iMAS根据模型的性能，iMAS采用类加权对称交集-联合来评估每个未标记实例的定量硬度，并以模型自适

目的从分类模型中提取类激活图(CAM)通常会导致前景对象的覆盖率较低，即只识别出可区分的区域(例如“羊”的“头”)，而其余区域(例如“羊”的“腿”)被错误地作为背景。背后的关键是分类器的权重(用于计算CAM)只捕获对象的鉴别特征。本文方法显式地捕获非判别特征，从而将CAM扩展到覆盖整个对象。具体来说，省略了分类模型的最后一个池化层，并对对象类的所有局部特征进行聚类，其中“局部”表示“在空间像素位置

在这项工作中，参考图像分割的问题被公式化为顺序多边形生成，而不是直接预测像素级分割掩码，并且预测的多边形可以稍后转换为分割掩码。这是由一个新的序列到序列框架Polygon Transformer（PolyFormer）实现的，该框架以一系列图像patch和文本查询token作为输入，并自回归地输出一系列多边形顶点。为了更精确的几何定位，提出了一种基于回归的解码器，它可以直接预测精确的浮点坐标，而没

本文提出了一种新的基于Transformer的框架，将特定于类的对象定位映射学习为弱监督语义分割(WSSS)的伪标签。标准视觉Transformer中一个类Token 的参与区域可以被利用来形成一个类不确定的定位映射本文研究了Transformer模型是否也可以通过学习Transformer中的多个类Token 来有效地捕获特定于类的注意力，以进行更具鉴别性的对象定位。

提出了新的BoundaryCAM框架，在CAM和最终的FSSS模型之间引入了一个新的BoundaryFit模块，以实现更精细的分割掩模，这可以用来提高模型的整体精度。BoundaryFit模块通过使用无监督语义分割模型提供了额外的显著性，该模型细化了CAM预测，为最先进的FSSS模型获得更高质量的训练标签。BoundaryFit模块可以整合到任何现有的WSSS框架中，以提高其预测的质量，如三个真实

稀疏注释语义分割（SASS）旨在通过具有稀疏标签（即点或涂鸦）的图像来学习分割模型。现有的方法主要侧重于引入低水平的亲和性或生成伪标签来加强监督，而在很大程度上忽略了标记像素和未标记像素之间的内在关系。我们观察到，在特征空间中彼此靠近的像素更有可能共享同一类。本文方法提出了一种新的SASS框架，该框架配备了自适应高斯混合模型（AGMM）。AGMM可以根据标记和未标记像素的分布，有效地为未标记像素提

分为五类:对抗性方法、一致性正则化、伪标记、对比学习和混合方法使用该领域最常见的两个数据集:PASCAL VOC 2012和Cityscapes10种方法组成，本文认为属于相互训练的方法(即DMT)是性能最好的方法反思了目前半监督分割的挑战和潜在的未来研究方向，强调了实验和评估框架标准化的必要性，在图像不受控制且类之间具有丰富语义依赖的情况下使用现实基准的方便性，以及最近应用于CV的新技术视觉变压

多模态半监督模型提出一种新的对比损失函数最小化两种图像模态的差异伪标签再学习解决不同模态之间存在的预测效果差异将高性能模态的模型用作具有更高置信度的教师模型在推理阶段仅使用一种模态进行分割利用损失函数减少模态之间的异质性利用mean-teacher模型减少预测的输入模态利用伪标签再学习方法提升鲁棒性利用BMA参数更新提升模型准确性。