Design Pseudo Ground Truth with Motion Cue for Unsupervised Video Object Segmentation
University of Southern California（南加州大学）；National Taiwan University（国立台湾大学）
视频对象分割中的一个主要技术缺陷是为训练实例标记对象掩码。因此，我们建议准备廉价的，但高质量的伪真值校正与运动提示的视频对象分割训练。我们的方法进行语义分割使用实例分割网络，然后，选择感兴趣的分割对象作为伪真值的基础上的运动信息。然后，利用伪真值来微调预训练的对象网络，以促进视频的剩余帧中的对象分割。我们表明，伪真值可以有效地提高分割性能。这种简单的无监督视频对象分割方法比现有的方法更有效。DAVIS和FBMS上的实验结果表明，该方法优于国家的最先进的无监督分割方法在各种基准数据集。与类别无关的伪真值具有很大的潜力，可以扩展到多个任意目标跟踪。
2018-12-13 cs.CV
Pseudo-mask Matters in Weakly-supervised Semantic Segmentation
SenseTime（商汤科技）；Tsinghua University（清华大学）；Shanghai AI Laboratory（上海人工智能实验室）
大多数弱监督语义分割（WSSS）方法遵循最初生成伪掩码并随后以完全监督的方式使用伪掩码训练分割模型的流水线。然而，我们发现了一些与伪掩码相关的问题，包括从类激活映射（CAM）生成高质量的伪掩码，以及使用噪声伪掩码监督进行训练。对于这些问题，我们提出了以下设计来将性能提升到新的最新水平：（i）变异系数平滑，以自适应地平滑CAM;（ii）比例伪掩模生成，将扩展的CAM投影到伪掩模基于指示每个位置上每个类的重要性的新指标，而不是从二进制分类器训练的分数。(iii)伪欠拟合策略，以抑制噪声在伪掩模中的影响;（iv）循环伪掩模，以在全监督语义分割（FSSS）的训练期间提高伪掩模。基于我们的方法的实验在两个变化的弱监督语义分割数据集上取得了新的最先进的结果，在PAS-CAL VOC 2012和MS COCO 2014上分别将mIoU推到70.0%和40.2%。包括细分框架在内的代码发布于https://github.com/Eli-YiLi/PMM
2021-09-07 cs.CV
Learning Class-Agnostic Pseudo Mask Generation for Box-Supervised Semantic Segmentation
Harbin Institute of Technology（哈尔滨工业大学）
最近，几种弱监督学习方法已经致力于利用限界框监督来训练深度语义分割模型。大多数现有方法通常利用通用提议生成器（例如，密集CRF和MCG）以产生用于进一步训练分割模型的增强的分割掩模。然而，这些建议生成器是通用的，并且不是专门为框监督的语义分割设计的，从而为改进分割性能留下了一些余地。在本文中，我们的目标是寻求一个更准确的基于学习的类无关的伪掩码生成器定制的框监督语义分割。为此，我们采用像素级注释的辅助数据集，其中类标签与框注释数据集的标签不重叠。为了从辅助数据集学习伪掩码生成器，我们提出了一种双层优化公式。特别地，下部子问题用于学习框监督的语义分割，而上部子问题用于学习最优的类无关伪掩码生成器。然后可以将学习的伪分割掩码生成器部署到框注释数据集，以改进弱监督语义分割。在PASCAL VOC 2012数据集上的实验表明，学习的伪掩码生成器在提高分割性能方面是有效的，我们的方法可以进一步缩小框监督模型和全监督模型之间的性能差距。我们的代码将在https://github.com/Vious/LPG_BBox_Segmentation上公开。
2022-03-02 cs.CV
Semi-Supervised Semantic Segmentation with Cross Pseudo Supervision
Peking University（北京大学）；Microsoft Research Asia（微软亚洲研究院）
在本文中，我们研究了半监督语义分割问题，通过探索标记数据和额外的未标记数据。我们提出了一种新的一致性正则化方法，称为交叉伪监督（CPS）。我们的方法对同一输入图像的不同初始化扰动的两个分割网络的一致性。从一个扰动的分割网络输出的伪独热标签映射被用于以标准交叉熵损失来监督另一个分割网络，反之亦然。CPS一致性有两个作用：鼓励两个扰动网络对同一输入图像的预测之间的高度相似性，以及通过使用具有伪标签的未标记数据来扩展训练数据。实验结果表明，该方法在Cityscapes和PASCAL VOC 2012上实现了最先进的半监督分割性能。代码可在https://git.io/CPS上获得。
2021-06-04 cs.CV
PseudoSeg: Designing Pseudo Labels for Semantic Segmentation
Virginia Tech（弗吉尼亚理工大学）；Google Cloud AI（谷歌云AI）；Google Brain（谷歌大脑）
半监督学习（SSL）的最新进展表明，一致性正则化和伪标记相结合可以有效地提高低数据状态下图像分类的准确率。与分类相比，语义分割任务需要更密集的标记成本。因此，这些任务极大地受益于数据高效的训练方法。然而，分割中的结构化输出带来了特殊的困难（例如，设计伪标记和增强）以应用现有的SSL策略。为了解决这个问题，我们提出了一种简单而新颖的伪标签重新设计，以生成经过良好校准的结构化伪标签，用于使用未标记或弱标记数据进行训练。我们提出的伪标签策略是网络结构不可知的，适用于一个阶段的一致性训练框架。我们证明了所提出的伪标签策略在低数据和高数据制度的有效性。大量的实验已经证明，通过明智地融合不同的源和强大的数据增强产生的伪标签是至关重要的一致性训练分割。源代码可在https://github.com/googleinterns/wss上获得。
2021-03-30 cs.CV
PseudoClick: Interactive Image Segmentation with Click Imitation
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；United Imaging Intelligence（联影智能）
基于点击的交互式图像分割的目标是在有限的用户交互下获得精确的对象分割掩模，即，by a minimum最小number数of user用户clicks点击.现有的方法需要用户提供所有的点击：首先检查分割掩模，然后迭代地提供错误标记区域上的点。我们提出了一个问题：我们的模型能否直接预测点击的位置，从而进一步降低用户交互成本？为此，我们提出了{ \PseudoClick }，一个通用的框架，使现有的细分网络提出候选下一次点击。这些自动生成的点击，在这项工作中称为伪点击，作为人类点击的模仿，以完善分割掩模。
2022-07-27 cs.CV
RePL: Pseudo-label Refinement for Semi-supervised LiDAR Semantic Segmentation
Dept. of CSE, POSTECH（浦项科技大学计算机科学与工程系）；GSAI, POSTECH（浦项科技大学人工智能研究生院）
RePL通过掩码重建识别并纠正伪标签中的潜在错误，提升伪标签质量，从而在激光雷达语义分割中取得最优性能。
2026-08-26 cs.CV
Data-Efficient Semantic Segmentation of 3D Point Clouds via Open-Vocabulary Image Segmentation-based Pseudo-Labeling
University of Yamanashi（山梨大学）
本文提出PLOVIS算法，利用开放词汇图像分割模型生成伪标签，解决3D点云分割中训练数据不足的问题，通过两阶段过滤和类平衡内存银行提升训练效果，实验表明在数据稀缺条件下优于现有方法。
2026-10-22 cs.CV
Segment Anything is A Good Pseudo-label Generator for Weakly Supervised Semantic Segmentation
Zhejiang University（浙江大学）；Nankai University（南开大学）
针对弱监督语义分割的不适定问题，本研究挖掘类别无关大模型segment-anything的“提示生成掩码”潜力，以弱标签为提示生成精确类别掩码，再用其制作伪标签训练分割网络，在PASCAL VOC 2012上验证了该方法的有效性，代码将开源。
2023-05-02 cs.CV
Unsupervised Domain Adaptation with Implicit Pseudo Supervision for Semantic Segmentation
Wuhan University（武汉大学）
伪标记是语义分割的无监督领域自适应中的一种流行技术。然而，伪标签是嘈杂的，不可避免地有确认偏差，由于源和目标域和训练过程之间的差异。本文利用模型自身隐式产生的伪标签对模型进行训练，以学习目标领域的新的补充知识。具体来说，我们提出了一个三学习架构，其中每两个分支产生的伪标签训练第三个。我们根据每两个分支的概率分布的相似性来对齐伪标签。为了进一步隐式地利用伪标签，我们最大化不同类的特征距离，并通过三重丢失来最小化相同类的距离。对GTA5到Cityscapes和SYNTHIA到Cityscapes任务的大量实验表明，所提出的方法有相当大的改进。
2022-04-14 cs.CV
Re-distributing Biased Pseudo Labels for Semi-supervised Semantic Segmentation: A Baseline Investigation
The University of Hong Kong（香港大学）；Zhejiang University（浙江大学）
虽然自训练具有先进的半监督语义分割，但它严重遭受真实世界语义分割数据集上的长尾类分布，这使得伪标记数据偏向于大多数类。在本文中，我们提出了一个简单而有效的分布对齐和随机抽样（DARS）方法，以产生无偏的伪标签，匹配从标记数据估计的真实类分布。此外，我们还提供了一个渐进的数据增强和标记策略，以促进模型训练与伪标记数据。在Cityscapes和PASCAL VOC 2012数据集上的实验证明了该方法的有效性。虽然简单，我们的方法表现良好，与国家的最先进的方法相比。代码将在https://github.com/CVMI-Lab/DARS上提供。
2021-07-26 cs.CV
C$^3$PS: Context-aware Conditional Cross Pseudo Supervision for Semi-supervised Medical Image Segmentation
Shanghai Jiao Tong University（上海交通大学）
针对半监督医学图像分割，提出上下文感知条件交叉伪监督方法C$^3$PS，通过带类别条件的交叉伪监督结合上下文感知提升伪标签质量，训练后期可聚焦难分割器官，在两项任务上性能优于现有最优方法。
2023-06-14 cs.CV
RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised Medical Image Segmentation
Shanghai Jiao Tong University（上海交通大学）；Fudan University（复旦大学）；Huashan Hospital（华山医院）；National Center for Neurological Disorders（国家神经疾病医学中心）；ShanghaiTech University（上海科技大学）
针对半监督医学图像分割中伪标签噪声大、特征类别可分性不足的问题，提出结合校正伪监督与双向体素对比学习的RCPS方法，经多数据集验证性能优于现有最优方法。
2023-10-09 cs.CV
Pseudo Mask Augmented Object Detection
Northwestern University（西北大学）；Tongji University（同济大学）；Microsoft Research Asia（微软亚洲研究院）；Microsoft Research（微软研究院）
在这项工作中，我们提出了一种新的和有效的框架，以促进目标检测的实例级分割信息，仅由限界框注释监督。从联合目标检测和实例分割网络出发，我们提出从实例级对象分割网络训练中递归估计伪地面真实对象掩码，然后用自顶向下的分割反馈来增强检测网络。伪地面真值掩码和网络参数交替优化，以使彼此受益。为了在每次迭代中获得有希望的伪掩模，我们嵌入了一个图形推理，该图形推理结合了低级图像外观一致性和限界框注释，以细化由分割网络预测的分割掩模。我们的方法逐步提高目标检测的性能，通过将详细的像素信息从弱监督分割网络学习。在PASCAL VOC 2007和2012 [12]中对检测任务的广泛评估验证了所提出的方法是有效的。
2018-03-27 cs.CV
Weighting Pseudo-Labels via High-Activation Feature Index Similarity and Object Detection for Semi-Supervised Segmentation
Stony Brook University（石溪大学）；EPFL（洛桑联邦理工学院）
本文提出一种通过高激活特征索引相似性与目标检测加权伪标签的方法，提高半监督语义分割中伪标签的可靠性，并在多个框架和数据集上验证了有效性。
2024-07-17 cs.CV
SSR: Semantic and Spatial Rectification for CLIP-based Weakly Supervised Segmentation
本文提出SSR方法，通过语义与空间校正提升CLIP在弱监督分割中的性能，实现更高的mIoU分数。
2025-12-20 cs.CV
PDDM: Pseudo Depth Diffusion Model for RGB-PD Semantic Segmentation Based in Complex Indoor Scenes
State Key Laboratory of General Artificial Intelligence, Peking University, Shenzhen Graduate School（北京大学深圳研究生院通用人工智能国家重点实验室）
针对RGB-D语义分割中深度数据采集成本高、对齐难的问题，提出融合RGB与伪深度的PDDM模型及PDAM模块，在NYUv2、SUNRGB-D数据集上取得SOTA性能。
2025-03-24 cs.CV
Domain Adaptive Video Segmentation via Temporal Pseudo Supervision
Nanyang Technological University（南洋理工大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
视频语义分割在大量带标签的训练数据的监督下取得了很大的进展。然而，域自适应视频分割，它可以减轻数据标签的约束，从一个标记的源域适应到一个未标记的目标域，在很大程度上被忽视。我们设计了时间伪监督（TPS），这是一种简单有效的方法，它探索了一致性训练的想法，用于从未标记的目标视频中学习有效的表示。与传统的在空间空间中建立一致性的一致性训练不同，我们通过在增强的视频帧中执行模型一致性来探索时空空间中的一致性训练，这有助于从更多样化的目标数据中学习。具体来说，我们设计了跨帧伪标签，以提供从以前的视频帧伪监督，同时从增强的当前视频帧学习。跨帧伪标签鼓励网络产生高确定性的预测，这有助于有效地进行跨帧增强的一致性训练。在多个公开数据集上的实验表明，TPS算法实现简单，训练稳定性好，与现有算法相比，具有更高的视频分割精度.
2022-07-06 cs.CV
Training-Free Class Purification for Open-Vocabulary Semantic Segmentation
Sun Yat-sen University（中山大学）；ByteDance Intelligent Creation（字节跳动智能创作）；University of Surrey（Surrey大学）；Alibaba Cloud Computing（阿里巴巴云计算）
针对现有开放词汇语义分割免训练方法存在的类别冗余与视觉-语言歧义问题，提出免训练即插即用的类别纯化框架FreeCP，在8个基准上验证了其能显著提升分割性能。
2025-08-01 cs.CV
Active Label Correction for Semantic Segmentation with Foundation Models
POSTECH（浦项科技大学）；Graduate School of AI, POSTECH（浦项科技大学人工智能学院）；Department of CSE, POSTECH（浦项科技大学计算机科学与工程系）
针对语义分割数据集标注成本高且先验易错的问题，提出基于基础模型的主动标签纠正框架，通过设计标注者友好的纠正查询与基于超像素的前瞻获取函数，有效纠正伪标签并优于现有方法。
2024-06-04 cs.CV
ScribbleVS: Scribble-Supervised Medical Image Segmentation via Dynamic Competitive Pseudo Label Selection
college of physics and information engineering, University of Fuzhou University（物理与信息工程学院，福州大学）；Fuzhou University Zhicheng College（福州大学智城学院）
针对医学图像分割像素级标注成本高、涂鸦监督训练难且伪标签方法易受噪声干扰的问题，提出ScribbleVS框架，通过区域伪标签扩散和动态竞争选择模块优化伪标签，在多个数据集上实现接近全监督模型的分割精度。
2025-10-29 cs.CV
PPTFormer: Pseudo Multi-Perspective Transformer for UAV Segmentation
University of Science and Technology of China（中国科学技术大学）；Alibaba Group（阿里巴巴集团）；Shanghai Jiao Tong University（上海交通大学）
针对无人机图像动态视角分割难、多视角标注成本高的问题，提出伪多视角Transformer网络PPTFormer，通过生成伪视角结合PMP注意力等机制，在5个数据集上实现SOTA分割性能，推动无人机场景理解发展。
2024-07-11 cs.CV
Compete to Win: Enhancing Pseudo Labels for Barely-supervised Medical Image Segmentation
Hong Kong University of Science and Technology（香港科技大学）；The Hong Kong University of Science and Technology Shenzhen Research Institute（香港科技大学深圳研究院）
针对极简监督医学图像分割中伪标签精度低的问题，提出ComWin和ComWin+方法，通过多网络置信度图竞争策略及边界感知增强模块提升伪标签质量，在三个医学图像分割数据集上取得最佳性能。
2023-07-30 cs.CV
Zero-Shot Pseudo Labels Generation Using SAM and CLIP for Semi-Supervised Semantic Segmentation
Graduate School of Information Sciences, Tohoku University（东北大学信息科学研究科）
针对语义分割标注成本高的问题，本文提出利用 SAM 和 CLIP 进行零样本伪标签生成，并结合 UniMatch 提升伪标签质量以训练模型，在 PASCAL 和 MS COCO 数据集上验证了有效性。
2025-05-29 cs.CV
ProPL: Universal Semi-Supervised Ultrasound Image Segmentation via Prompt-Guided Pseudo-Labeling
MedAI Technology (Wuxi) Co. Ltd.（MedAI技术（无锡）有限公司）
本文针对现有超声分割方法泛用性不足的问题，提出通用半监督分割框架ProPL，配套构建多器官多任务超声数据集，实验证明其性能优于现有最优方法。
2025-11-19 cs.CV
Open-Vocabulary Instance Segmentation via Robust Cross-Modal Pseudo-Labeling
Northeastern University（东北大学）；Adobe Research（奥多比研究院）
开放词汇表实例分割的目标是在没有掩码注释的情况下分割新的类。这是朝着减少费力的人工监督迈出的重要一步。大多数现有的作品首先在覆盖许多新类的标题图像上预训练模型，然后在具有掩码注释的有限基类上对其进行微调。然而，仅从字幕预训练中学习的高级文本信息不能有效地编码像素分割所需的细节。为了解决这个问题，我们提出了一个跨模态伪标签框架，它通过将标题中的单词语义与图像中对象掩码的视觉特征对齐来生成训练伪掩码。因此，我们的框架能够通过标题中的单词语义来标记新的类，以自我训练学生模型。为了解释伪掩模中的噪声，我们设计了一个强大的学生模型，该模型通过估计掩模噪声水平来选择性地提取掩模知识，从而减轻噪声伪掩模的不利影响。通过大量的实验，我们证明了我们的框架的有效性，其中我们显着提高了4.5%的MS-COCO和5.1%的大规模开放图像和概念字幕数据集相比，最先进的mAP得分。
2022-04-19 cs.CV
Weakly Supervised Pseudo-Label assisted Learning for ALS Point Cloud Semantic Segmentation
The Hong Kong Polytechnic University（香港理工大学）
竞争性点云语义分割结果通常依赖于大量的标记数据。然而，数据标注是一项耗时耗力的任务，特别是对于三维点云数据。因此，用有限的地面实况作为训练数据获得准确的结果是相当重要的。伪标记作为一种简单有效的方法，可以利用未标记数据中的信息来训练神经网络。在本研究中，我们提出了一种伪标签辅助的点云分割方法，该方法具有很少的稀疏采样标签，这些标签通常是为每个类随机选择的。提出了一种基于预测概率的自适应阈值策略来生成伪标签。伪标签学习是一个迭代过程，当模型收敛时，伪标签仅在真实弱标签上更新，以提高训练效率。使用ISPRS三维语义标注基准数据集的实验表明，我们提出的方法取得了同样具有竞争力的结果相比，使用一个完整的监督方案，只有多达2个$\unicode{x2030}$的标记点从原始训练集，与83.7%的整体准确率和平均F1得分为70.2%。
2021-05-05 cs.CV
POPCORN: Progressive Pseudo-labeling with Consistency Regularization and Neighboring
Univ. Bordeaux（波尔多大学）；Bordeaux INP（波尔多国立高等综合理工学院）；CNRS（法国国家科学研究中心）；LaBRI（波尔多计算机科学实验室）；IMB（波尔多数学研究所）；ITACA（信息与通信技术应用研究所）；Universitat Politècnica de València（瓦伦西亚理工大学）
半监督学习（SSL）使用未标记的数据来补偿注释图像的稀缺性和缺乏对未知领域的方法泛化，这是医学分割任务中的两个常见问题。在这项工作中，我们提出了POPCORN，一种新的方法相结合的一致性正则化和伪标记设计的图像分割。所提出的框架使用高级正则化来约束我们的分割模型，以便对具有相似分割的图像使用相似的潜在特征。POPCORN估计一个邻近图来选择从最简单的数据到更困难的数据，以确保准确的伪标签并限制确认偏差。应用于多发性硬化病变分割，我们的方法表现出竞争力的结果相比，其他国家的最先进的SSL策略。
2021-09-13 cs.CV
Image Segmentation with Pseudo-marginal MCMC Sampling and Nonparametric Shape Priors
Sabanci University（萨班哲大学）；ARM Ltd.（ARM公司）；University of Utah（犹他大学）；University of Rochester（罗切斯特大学）
在本文中，我们提出了一个有效的伪边缘马尔可夫链蒙特卡罗（MCMC）抽样方法来提取样本的后验形状分布的图像分割。所提出的方法的计算时间是独立于用于学习的形状先验分布非参数的训练集的大小。因此，它可以很好地扩展非常大的数据集。我们的方法能够通过其样本来表征形状空间中的后验概率密度，并返回多个解决方案，可能来自多模态概率密度的不同模式，这将遇到，例如，从多个形状类别中分割对象。实验结果证明了所提出的方法的潜力。
2018-09-03 cs.CV
Domain Adaptive Nuclei Instance Segmentation and Classification via Category-aware Feature Alignment and Pseudo-labelling
University of Sydney（悉尼大学）；University of Technology Sydney（悉尼科技大学）；Monash University（莫纳什大学）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
在一般计算机视觉中，无监督领域自适应（UDA）方法被广泛用于提高模型的自适应能力。然而，与自然图像不同的是，组织病理学图像中不同类别的细胞核之间存在着巨大的语义鸿沟。我们如何构建广义UDA模型来精确分割或分类不同数据集上的细胞核实例，这一点仍有待探索。在这项工作中，我们提出了一种新的深度神经网络，即类别感知特征对齐和伪标签网络（CAPL-Net），用于UDA核实例分割和分类。具体来说，我们首先提出了一个类别级的特征对齐模块与动态学习权衡权重。其次，我们建议通过基于核级原型特征的伪标签的自监督训练来促进目标数据上的模型性能。跨域核实例分割和分类任务的综合实验表明，我们的方法优于国家的最先进的UDA方法具有显着的利润。
2022-07-04 cs.CV
Towards Robust Pseudo-Label Learning in Semantic Segmentation: An Encoding Perspective
University of Science and Technology of China（中国科学技术大学）；National Key Laboratory of Deep Space Exploration, Deep Space Exploration Laboratory（国家空间科学探测重点实验室，深空探测实验室）
ECOCSeg通过引入基于ECOC的分类器和位级标签去噪机制，提升语义分割中伪标签学习的鲁棒性和稳定性，适用于无监督领域自适应和半监督学习任务。
2026-01-10 cs.CV
3D Can Be Explored In 2D: Pseudo-Label Generation for LiDAR Point Clouds Using Sensor-Intensity-Based 2D Semantic Segmentation
Logiroad；LS2N - Ecole Centrale de Nantes（LS2N - 纵向神经网络）
本文提出一种无需三维标注和额外推理模态的三维 LiDAR 点云语义分割流程，通过将强度着色的二维视图用预训练模型分割后反投影并投票生成伪标签，并在无监督领域自适应中验证其有效性。
2025-05-06 cs.CV
BoxTeacher: Exploring High-Quality Pseudo Labels for Weakly Supervised Instance Segmentation
Horizon Robotics（地平线机器人）；Huazhong University of Science & Technology（华中科技大学）
与边界框相比，使用逐像素分割标记对象需要大量的人力。大多数现有的弱监督实例分割方法集中在设计启发式损失与先验的边界框。同时，我们发现框监督方法可以产生一些精细的分割掩模，我们想知道检测器是否可以从这些精细掩模中学习，而忽略低质量的掩模。为了回答这个问题，我们提出了BoxTeacher，这是一个高效的端到端训练框架，用于高性能弱监督实例分割，它利用一个复杂的教师来生成高质量的掩码作为伪标签。考虑到大量噪声掩模对训练的影响，本文提出了一种掩模感知置信度来估计伪掩模的质量，并提出了噪声感知像素损失和噪声降低亲和度损失来自适应地优化具有伪掩模的学生。大量的实验可以证明所提出的BoxTeacher的有效性。在没有花哨的情况下，BoxTeacher在具有挑战性的COCO数据集上分别使用ResNet-50和ResNet-101显著实现了35.0掩码AP和36.5掩码AP，这比以前的最先进方法有很大的优势，并弥合了框监督和掩码监督方法之间的差距。代码和模型将在https://github.com/hustvl/BoxTeacher上提供。
2023-03-17 cs.CV
Decoupled Spatial Neural Attention for Weakly Supervised Semantic Segmentation
Nanyang Technological University（南洋理工大学）；The University of Adelaide（阿德莱德大学）
弱监督的语义分割得到了很多研究的关注，因为它强调了需要获得大量的密集像素明智的地面实况注释的训练图像。与其他形式的弱监督相比，图像标签的获取效率相当高。在我们的工作中，我们专注于弱监督语义分割与图像标签标注。这项任务的最新进展在很大程度上取决于生成的伪注释的质量。在这项工作中，灵感来自空间神经注意图像描述，我们提出了一个解耦的空间神经注意网络生成伪注释。我们的解耦注意力结构可以同时识别目标区域和定位有区别的部分，在一个前向路径中生成高质量的伪注释，生成的伪注释导致分割结果，达到了最先进的弱监督语义分割。
2018-03-07 cs.CV
Pseudo-Label Noise Suppression Techniques for Semi-Supervised Semantic Segmentation
University of Augsburg（奥格斯堡大学）
半监督学习（SSL）可以通过将未标记的数据合并到训练中来减少对大型标记数据集的需求。这对于语义分割来说特别有趣，因为标记数据非常昂贵和耗时。目前的SSL方法使用初始监督的训练模型来生成未标记图像的预测，称为伪标签，随后用于从头开始训练新模型。由于预测通常不是来自无误差的神经网络，它们自然充满了错误。然而，使用部分不正确的标签进行训练通常会降低最终模型的性能。因此，明智地管理伪标签的错误/噪声至关重要。在这项工作中，我们使用三种机制来控制伪标签噪声和错误：（1）我们构建了一个坚实的基础框架，通过混合图像与奶牛模式的未标记的图像，以减少错误的伪标签的负面影响。然而，错误的伪标签仍然对性能产生负面影响。因此，（2）我们提出了一种简单有效的伪标签损失加权方案，该方案由在这些伪标签上训练的模型的反馈定义。这允许我们在训练期间基于伪标签训练样本的确定的置信度分数对伪标签训练样本进行软加权。(3)我们还研究了忽略低置信度伪标签的常见做法，并实证分析了不同置信度范围的伪标签对SSL的影响和效果，以及伪标签过滤对可实现的性能增益的贡献。我们表明，我们的方法在各种数据集上的性能优于最先进的替代方案。此外，我们表明，我们的研究结果也转移到其他任务，如人体姿态估计。我们的代码可在https://github.com/ChristmasFan/SSL_Denoising_Segmentation上获得。
2022-10-19 cs.CV
Inferring the Class Conditional Response Map for Weakly Supervised Semantic Segmentation
Australian National University（澳大利亚国立大学）
图像级弱监督语义分割（WSSS）依赖于类激活图（CAM）的伪标签生成。由于CAM仅突出对象的最有区别的区域，因此生成的伪标签通常不能令人满意地直接用作监督。为了解决这个问题，大多数现有的方法遵循多训练流水线来细化CAM以获得更好的伪标签，其包括：1）重新训练分类模型以生成CAM; 2）后处理CAM以获得伪标签;以及3）用所获得的伪标签训练语义分割模型。然而，这种多训练管道需要复杂的调整和额外的时间。为了解决这个问题，我们提出了一个类条件推理策略和激活感知掩码细化损失函数，以生成更好的伪标签，而无需重新训练分类器。提出了类条件推理时间方法，以单独和迭代地揭示分类网络的隐藏对象激活，以生成更完整的响应图。此外，我们的激活感知掩模细化损失函数引入了一种新的方法，在分割训练期间利用显著性图，并在不抑制背景对象的情况下细化前景对象掩模。我们的方法实现了优越的WSSS结果，而不需要重新训练的分类器。
2021-10-27 cs.CV
Semi-supervised Semantic Segmentation with Error Localization Network
POSTECH（浦项科技大学）
本文研究了语义分割的半监督学习方法。未标记的图像通常被分配伪标签以用于训练，然而，由于伪标签上的错误的确认偏差，这通常会导致性能下降的风险。我们提出了一种新的方法，解决了这个长期存在的伪标记问题。我们方法的核心是错误定位网络（ELN），这是一个辅助模块，它将图像及其分割预测作为输入，并识别其伪标签可能错误的像素。ELN使半监督学习能够通过在训练期间忽略标签噪声而对不准确的伪标签具有鲁棒性，并且可以自然地与自训练和对比学习集成。此外，我们引入了一种新的学习策略ELN，模拟合理的和不同的分割错误在训练ELN，以提高其泛化。我们的方法在PASCAL VOC 2012和Cityscapes上进行了评估，在每个评估设置中，它都优于所有现有的方法。
2022-06-01 cs.CV
IDPL: Intra-subdomain adaptation adversarial learning segmentation method based on Dynamic Pseudo Labels
College of Intelligence and Computing, Tianjin University（天津大学智能与计算学部）；Tianjin International Engineering Institute, Tianjin University（天津大学国际工程师学院）
将无监督领域自适应（UDA）方法应用于图像语义分割，以解决域偏移问题。但在一些识别精度不高的疑难类别中，分割效果仍不理想。为此，本文提出了一种基于动态伪标签（IDPL）的子域内自适应对抗学习分割方法。整个过程包括3个步骤：首先，提出了实例级伪标签动态生成模块，融合全局类和局部实例中的类匹配信息，自适应地为每个类生成最优阈值，得到高质量的伪标签。其次，构建了基于实例置信度的子域分类器模块，该模块能够根据易、难实例的相对比例，动态地将目标域划分为易、难子域。最后，提出了基于自注意的子域对抗学习模型。该方法利用多头自注意力，在类级上对易、难两类子领域进行对抗，生成高质量的伪标签，集中挖掘目标领域图像高熵区域中难类的特征，促进子领域之间的类级条件分布对齐，提高难类的分割性能。实验结果表明，对于较难的类别，IDPL的性能与其他最新的主流方法相比有明显的提高。
2022-10-20 cs.CV
HPL-ESS: Hybrid Pseudo-Labeling for Unsupervised Event-based Semantic Segmentation
Shanghai AI Laboratory（上海人工智能实验室）；Loughborough University（拉夫堡大学）；Northwestern Polytechnical University（西北工业大学）；CUHK-Shenzhen（香港中文大学（深圳））；Institute of Artificial Intelligence (TeleAI)（人工智能研究所（腾讯人工智能实验室））
本文提出用于无监督事件相机语义分割的混合伪标签框架HPL-ESS，通过结合自训练与离线事件图像重建生成双源伪标签，并利用噪声标签学习策略与软原型对齐模块提升标签质量与特征一致性，在DSEC-Semantic数据集上大幅超越现有方法。
2024-03-25 cs.CV
SAMST: A Transformer framework based on SAM pseudo label filtering for remote sensing semi-supervised semantic segmentation
Zhejiang University（浙江大学）；Zhejiang Dahua Technology Co., Ltd（浙江大华技术有限公司）
本文提出SAMST，一种基于SAM伪标签过滤的遥感半监督语义分割Transformer框架，通过结合大模型泛化能力与小模型训练效率迭代优化伪标签，提升分割性能。
2025-07-16 cs.CV
Class Enhancement Losses with Pseudo Labels for Zero-shot Semantic Segmentation
Monash University（莫纳什大学）
最近的掩码建议模型已经显著提高了zero-shot语义分割的性能。然而，在这些方法中，在训练期间使用“背景”嵌入是有问题的，因为所得到的模型往往会过度学习并将所有看不见的类分配为背景类，而不是它们的正确标签。此外，他们忽略了文本嵌入的语义关系，这可以说是高度信息化的zero-shot预测，因为看到的类可能与看不见的类有密切的关系。为此，本文提出了新的类增强损失，以绕过在训练过程中使用的背景嵌入，并同时利用文本嵌入和掩码建议之间的语义关系，通过排名的相似性得分。为了进一步捕捉可见类和不可见类之间的关系，我们提出了一个有效的伪标签生成管道，使用预训练的视觉语言模型。在多个基准数据集上的大量实验表明，我们的方法在zero-shot语义分割方面取得了最好的性能。我们的方法是灵活的，也可以应用到具有挑战性的开放词汇语义分割问题。
2023-01-18 cs.CV
Denoised Non-Local Neural Network for Semantic Segmentation
The Chinese University of Hong Kong（香港中文大学）；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳人工智能与机器人学会）
非局部网络已经成为语义分割的一种广泛使用的技术，它计算注意力图来衡量每个像素对的关系。然而，目前流行的非局部模型往往忽略了计算出的注意力地图存在噪声、类间和类内不一致等现象，从而降低了非局部方法的准确性和可靠性。在本文中，我们形象地表示这些不一致的注意噪声，并探讨解决方案，以消除它们。具体地，我们创造性地提出了一种去噪非本地网络（去噪NL），其由两个主要模块组成，即，全局校正（GR）块和局部保持（LR）块，分别用于消除类间和类内噪声。首先，GR采用类级预测来捕获二进制映射，以区分所选择的两个像素是否属于同一类别。其次，LR捕获被忽略的局部依赖，并进一步使用它们来纠正注意力地图中不必要的空洞。在两个具有挑战性的语义分割数据集上的实验结果证明了该模型的优越性能。在没有任何外部训练数据的情况下，我们提出的去噪NL可以在Cityscapes和ADE 20 K上分别达到83.5%和46.69mIoU的最先进性能。
2021-10-27 cs.CV
Pseudo-label Alignment for Semi-supervised Instance Segmentation
Xiamen University（厦门大学）；Contemporary Amperex Technology Co. Limited（宁德时代新能源科技股份有限公司）
本文提出PAIS框架，通过动态对齐损失DALoss解决半监督实例分割中伪标签因类别与掩码质量不匹配被过滤的问题，在COCO和Cityscapes上显著超越现有方法。
2023-08-10 cs.CV
From Few to More: Scribble-based Medical Image Segmentation via Masked Context Modeling and Continuous Pseudo Labels
National Engineering Laboratory for Integrated Aero-Space-Ground-Ocean Big Data Application Technology, School of Computer Science and Engineering, Northwestern Polytechnical University（集成空天地海大数据应用技术国家工程实验室，计算机科学与工程学院，西北工业大学）
本文提出弱监督医学图像分割模型MaCo，通过掩码上下文建模和连续伪标签，有效处理稀疏标注挑战，在三个公开数据集上均优于现有方法并创下新纪录。
2025-08-13 cs.CV
Prototype-Based Pseudo-Label Denoising for Source-Free Domain Adaptation in Remote Sensing Semantic Segmentation
College of Computer Science, Sichuan University（四川大学计算机科学学院）；College of Computer Science and Cyber Security, Chengdu University of Technology（成都理工大学计算机科学与网络安全学院）
本文提出ProSFDA框架，通过原型加权伪标签和原型对比策略缓解遥感图像语义分割中无源域适应的伪标签噪声问题，显著提升目标域分割性能。
2025-09-21 cs.CV
Foundation Model-guided Iteratively Prompting and Pseudo-Labeling for Partially Labeled Medical Image Segmentation
Department of Biomedical Engineering, Columbia University（哥伦比亚大学生物医学工程系）；Department of Radiation Oncology, Columbia University Irving Medical Center（哥伦比亚大学欧文医学中心放射肿瘤科）；Data Science Institute, Columbia University（哥伦比亚大学数据科学研究所）；Herbert Irving Comprehensive Cancer Center, Columbia University（哥伦比亚大学赫伯特·欧文综合癌症中心）；Department of Radiation Oncology, Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院放射肿瘤科）
本文提出IPnP框架，通过训练网络与冻结基础模型协作，迭代生成并优化未标注器官的伪标签，提升部分标注条件下医学图像分割性能。
2026-04-01 cs.CV
nnFilterMatch: A Unified Semi-Supervised Learning Framework with Uncertainty-Aware Pseudo-Label Filtering for Efficient Medical Segmentation
Purdue University（普渡大学）
本研究提出nnFilterMatch，一种集成熵基伪标签过滤的半监督医学分割框架，在单次nnU-Net训练中避免重训循环，仅用5%-20%标注数据即达全监督性能。
2025-09-24 cs.CV
Robust Noisy Pseudo-label Learning for Semi-supervised Medical Image Segmentation Using Diffusion Model
University of East Anglia（东安格利亚大学）；King’s College London（伦敦国王学院）
本文提出一种基于扩散模型的半监督医学图像分割框架，通过原型对比一致性约束潜在语义结构以增强对噪声伪标签的鲁棒性，并引入MOSXAV基准，在多个数据集上取得优于现有方法的性能。
2025-07-22 cs.CV
FlowCut: Unsupervised Video Instance Segmentation via Temporal Mask Matching
Computer Vision Group University of Bern（伯尔尼大学计算机视觉组）
本研究提出无监督视频实例分割方法FlowCut，通过三阶段框架构建带伪标签的数据集，在多个基准上实现了当前最优性能。
2025-05-19 cs.CV
Railroad is not a Train: Saliency as Pseudo-pixel Supervision for Weakly Supervised Semantic Segmentation
Yonsei University（延世大学）；Sungkyunkwan University（成均馆大学）
现有的弱监督语义分割（WSSS）研究中使用图像级弱监督有几个局限性：稀疏的对象覆盖，不准确的对象边界，和来自非目标对象的共现像素。为了克服这些挑战，我们提出了一种新的框架，即显式伪像素监督（EPS），它通过结合两个弱监督从像素级反馈中学习;图像级标签通过本地化映射提供对象身份，显着性映射来自现成的显着性检测模型提供了丰富的边界。我们设计了一个联合训练策略，充分利用两者之间的信息互补关系。我们的方法可以获得准确的对象边界和丢弃共现像素，从而显着提高伪掩模的质量。实验结果表明，该方法通过解决WSSS的关键挑战，显著优于现有方法，并在PASCAL VOC 2012和MS COCO 2014数据集上实现了新的最先进性能。
2021-05-19 cs.CV
Co-training with High-Confidence Pseudo Labels for Semi-supervised Medical Image Segmentation
Northeastern University（东北大学）；Fujian Normal University（福建师范大学）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；University of Alberta（阿尔伯塔大学）；Alberta Machine Intelligence Institute（阿尔伯塔机器智能研究所）
针对半监督医学图像分割中协同训练过早收敛和伪标签置信度低的问题，本文提出 UCMT 模型，通过协同均值教师和不确定性引导区域混合保持模型分歧并提升伪标签质量，在四个公开数据集上取得最优性能。
2023-05-26 cs.CV
Uncertainty Estimation via Response Scaling for Pseudo-mask Noise Mitigation in Weakly-supervised Semantic Segmentation
The Hong Kong University of Science and Technology（香港科技大学）；SenseTime Research（商汤科技研究院）；University of Technology Sydney（悉尼科技大学）；The Hong Kong University of Science and Technology Shenzhen Research Institute（香港科技大学深圳研究院）
弱监督语义分割（WSSS）分割对象，而无需密集注释的沉重负担。但代价是生成的伪掩模存在明显的噪声像素，这导致在这些伪掩模上训练的次优分割模型。但是很少有研究注意到这个问题，即使这些噪声像素是不可避免的伪掩模改进后。因此，我们试图在降噪方面改进WSSS。我们观察到许多噪声像素具有高置信度，特别是当响应范围太宽或太窄时，呈现不确定状态。因此，在本文中，我们模拟噪声变化的响应缩放预测地图多次不确定性估计。然后，不确定性被用来加权分割损失，以减轻嘈杂的监督信号。我们称这种方法为URN，缩写为不确定性估计通过响应缩放噪声缓解。实验验证了URN的好处，我们的方法在PASCAL VOC 2012和MS COCO 2014上分别达到了71.2%和41.5%的最先进的结果，而没有额外的模型，如显着性检测。代码可在https://github.com/XMed-Lab/URN上获得。
2021-12-14 cs.CV
Feedback-Driven Pseudo-Label Reliability Assessment: Redefining Thresholding for Semi-Supervised Semantic Segmentation
University of Bern（伯恩大学）；University of Klagenfurt（克雷根福特大学）
针对半监督语义分割中静态伪标签阈值依赖标注数据且难以调优的问题，提出反馈驱动的 ENCORE 动态阈值方法，按类别估计真阳性置信度并自适应过滤，显著提升多框架、多数据集性能。
2025-05-12 cs.CV
Conservative-Progressive Collaborative Learning for Semi-supervised Semantic Segmentation
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院（AIR））；Zhejiang University（浙江大学）
伪监督被认为是半监督学习语义分割的核心思想，在只利用高质量伪标签和利用所有伪标签之间总是存在权衡。为了解决这个问题，我们提出了一种新的学习方法，称为保守-渐进协作学习（CPCL），其中两个预测网络并行训练，并根据两个预测的一致性和不一致性实现伪监督。一个网络通过交叉监督寻找共同点，并由高质量的标签监督，以确保更可靠的监督，而另一个网络通过联合监督保留差异，并由所有伪标签监督，以保持好奇心。从而实现保守进化与渐进探索的协同。为了减少可疑伪标签的影响，根据预测置信度对损失进行动态重新加权。大量的实验表明，CPCL实现了国家的最先进的半监督语义分割的性能。
2023-02-17 cs.CV
