本文介绍了原型提示学习法（PTP）和上下文提示学习框架，旨在提升视觉语言模型在少样本图像识别和弱监督语义分割中的性能。研究表明，这些方法通过优化提示和利用潜在知识，显著提高了模型的泛化能力和适应性。

本文介绍了一种结合Segment Anything Model（SAM）和Class Activation Maps（CAM）的方法，提升了弱监督语义分割的伪标签质量，平均提高了6.2%的交并比。此外，研究提出了TinySAM模型和FSS-SAM方法，优化了少样本学习和跨领域分割的准确性，显著提高了分割性能并减少了计算成本。

本文介绍了一种自适应的弱监督语义分割方法，通过将图像内容划分为确定性区域和不确定性区域进行分别处理，以提高准确性。该方法采用基于激活的掩膜策略和自我增强方法，在PASCAL VOC 2012和MS COCO 2014上的效果优于基准方法。

本文介绍了基于CLIP模型的WeCLIP方法，用于弱监督语义分割。WeCLIP利用冻结的CLIP模型作为骨干网络进行特征提取，并设计了新的解码器进行预测。同时，利用冻结的骨干网络生成伪标签来训练解码器，并提出了校正模块来修正这些标签。实验证明该方法在训练成本较低的情况下优于其他方法，并在全监督设置下也取得了有希望的结果。

本文介绍了一种自适应的弱监督语义分割方法，通过划分图像内容为确定性区域和不确定性区域，提高准确性。该方法采用激活掩膜策略和自我增强方法，在PASCAL VOC 2012和MS COCO 2014上表现优于其他方法。

本文评估了弱监督语义分割方法在不同数据集上的表现，并指出组织病理学和卫星图像的挑战。需要进一步研究实现通用方法。

该论文提出了对显著性图在弱监督语义分割中的新视角，并强调显著性图质量的重要性。同时指出之前研究中显著性图的选择任意，阈值选择也关键。为了更好地研究显著性引导的弱监督语义分割，提出了一个标准化框架。

该研究使用CLIP和SAM模型解决弱监督语义分割问题，通过生成高质量的分割种子并使用伪标签进行训练，取得了有竞争力的结果。

本文介绍了一种自适应的弱监督语义分割方法，通过划分图像内容为确定性区域和不确定性区域进行分别处理，提高准确性。该方法采用激活掩膜策略和自我增强方法，在PASCAL VOC 2012和MS COCO 2014上的效果优于基准方法。

本文介绍了一种自适应的弱监督语义分割方法，通过划分图像内容为确定性区域和不确定性区域进行分别处理，提高准确性。方法采用激活掩膜策略和自我增强方法，在PASCAL VOC 2012和MS COCO 2014上的效果优于基准方法。

本文提出了一种基于图推理的方法来提高弱监督语义分割技术，融合了外部知识和图卷积网络来全局推理跨类别依赖关系，应用图推理映射模块加强高级语义的特征表示，动态学习个别样本的语义一致性，取得了在 PASCAL VOC 2012 和 MS-COCO 数据集上的最新性能。

本文提出了一种改进弱监督语义分割方法的新策略，包括一个大小平衡的交叉熵损失函数和适当的训练策略。通过提出新的评估指标和收集一个大小平衡的评估集，揭示了现有方法在捕捉小物体方面的困难，并在三个不同数据集上取得了更好的性能。