弱监督语义分割论文方法分类
简书上比较完美的解读：https://www.jianshu.com/p/0b265f9c28c7
目录
1. 基于候选区域的方法（Proposal-based solution）
3.基于对抗擦出目标区域最小化的方法（Object Region Mining with AE），名字翻译的不太好
我的简单总结：
任务描述
一般弱监督采用的弱监督信息为image-level的类别信息，换句话说就是我们没有像素级的语义分割标签，但我们拿到了图像级的类别标签，我们知道每张图里有哪些类别.
关键问题
找到image-level的标签和像素点的关联。
实现方法分类
1. 基于候选区域的方法（Proposal-based solution）
这个方法借鉴了目标检测的思路，先得到候选框，然后得到候选框是目标的概率，然后选出概率大的区域，构建目标定位图（Object location map）作为语义分割的监督信息。这篇文章在VOC的MIOU为43%。效果比较差。
2.先易后难的方法
基本思路是从simple to comlex,也就是说现在背景干净，目标简单的图上训练，从简单的图上获得显著图作为监督信息，训练语义分割网络。也就是循序渐进的方式，先学会简单的再学习复杂的。在VOC精度达到49.8%。
3.基于对抗擦出目标区域最小化的方法（Object Region Mining with AE），名字翻译的不太好
思路就是利用多分类的标签，训练好一个多分类网络，利用这个多分类网络获得每个类别在图像的相应区域。其中，提到一个问题，也就是在分裂网络中，最具有判别类别的区域经常只是目标的一部分，这样会导致我们得到的目标区域也只是目标的一部分，因此文章提出了对抗擦除的方法，把最显著的区域擦除，得到次显著区域，多次重复，然后把显著区域合并。在VOC精度达到了55.7%.
4.基于种子区域生成的方法
在Pascal voc 2012上的MIoU达到了63.2%，Weakly-Supervised Semantic Segmentation Network with Deep Seeded Region Growing---CVPR2018
网络结构：
对于18年CVPR的基于深度种子区域生长（DSRG）的文章：
https://www.cnblogs.com/ariel-dreamland/p/9783539.html
上面这个解读会比较清晰。
这篇文章作者的caffe版本：
https://github.com/speedinghzl/DSRG
tensorflow复现版本：
https://github.com/xtudbxk/DSRG-tensorflow
弱监督语义分割｜经典之作SEC：https://baijiahao.baidu.com/s?id=1618210995247519257&wfr=spider&for=pc
弱监督的基本思路是把目标检测和语义分割融合在一起。
基于tensorflow实现的代码：
deeplab-emadpt-tensorflow
SEC-tensorflow
DSRG-tensorflow