本文提出了一种自监督的曲线目标分割方法，利用分形和未标注图像学习特征，结合分数合成模块和几何信息对齐方法。实验结果表明，该方法在多个数据集上优于现有技术，显著提升了半监督语义分割的性能。

该研究提出了一种分阶段的自我训练框架，利用伪掩模和多任务模型来提升半监督语义分割的性能。实验结果显示，在PASCAL VOC 2012和ISIC 2018数据集上，相较于现有方法有显著提升。同时，研究探讨了弱监督方法和简化网络架构的有效性，强调在有限资源下实现高质量分割的潜力。

本文提出了一种基于自注视网络和显著性先验的半监督语义分割模型，能够在PASCAL VOC 2012数据集上超越现有方法。通过多任务学习框架和自适应区域划分，模型有效处理不确定性区域，提升了分割精度，推动了弱监督语义分割的发展。

本文介绍了一种新的半监督语义分割视角，通过提高无标记数据的不确定性来减小分布差异，提高模型的推广能力。作者提出了两种策略，并设计了一种特别针对半监督语义分割的不确定性增强算法，实验证实了算法和策略的有效性。该方法在常用基准数据集上取得了最新性能。

本文提出了一种新的半监督语义分割视角，通过分析标记和无标记数据集的分布差异，提出了提高无标记数据的不确定性来改善模型推广能力的方法。设计了一种特别针对半监督语义分割的不确定性增强算法，并在实验中证实了其有效性。与其他方法相比，在常用基准数据集上取得了最新性能。