基于深度学习的弱监督语义分割方法综述

语义分割是计算机视觉领域的基本任务，旨在为每个像素分配语义类别标签，实现对图像的像素级理解。得益于深度学习的发展，基于深度学习的全监督语义分割方法取得了巨大进展。然而，这些方法往往需要大量带有像素级标注的训练数据，标注成本巨大，限制了其在诸如自动驾驶、医学图像分析以及工业控制等实际场景中的应用。为了降低数据的标注成本并进一步拓宽语义分割的应用场景，研究者们越来越关注基于深度学习的弱监督语义分割方法，希望通过诸如图像级标注、最小包围盒标注、线标注和点标注等弱标注信息实现图像的像素级分割预测。首先对语义分割任务进行了简要介绍，并分析了全监督语义分割所面临的困境，从而引出弱监督语义分割。然后，介绍了相关数据集和评估指标。接着，根据弱标注的类型和受关注程度，从图像级标注、其他弱标注以及大模型辅助这3个方面回顾和讨论了弱监督语义分割的研究进展。其中，第2类弱监督语义分割方法包括基于最小包围盒、线和点标注的弱监督语义分割。最后，分析了弱监督语义分割领域存在的问题与挑战，并就其未来可能的研究方向提出建议，旨在进一步推动弱监督语义分割领域研究的发展。

Weakly supervised semantic segmentation based on deep learning