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。

本文探讨了弱监督语义分割和目标定位的最新进展，提出了基于Transformer的模型TS-CAM、SWTformer和ViTOL，以提高定位精度和性能。这些方法在多个数据集上取得了显著效果，解决了局部激活和类不可知问题。

本文探讨了弱监督语义分割的多种方法，提出了基于Transformer的技术和改进的注意力机制，以提高分类效果。研究在PASCAL VOC和COCO数据集上取得了优于现有技术的成果，验证了不同策略增强模型性能的有效性。

本文提出了一种交互式方法，通过手动指定区域减轻共现偏差对深度神经网络的影响。研究验证了在类不平衡数据上有效的表示学习策略，并展示了改进的深度表示学习方法，提升了面部识别和属性预测的准确性。此外，提出了新的计算CAM方法，增强了弱监督语义分割的效果，并在人体属性识别中取得了先进成果。

该文综述半监督与弱监督语义分割方法，利用少量标注和大量无标签数据，通过伪标签、自训练、教师模型、主动学习及视觉-语言嵌入等技术降低标注成本，在PASCAL VOC、Cityscapes等数据集上达到最优性能并提升跨域泛化能力。

该文综述弱监督语义分割的低成本标注方法，包括图像级、点级、涂鸦、稀疏标注及语音交互等，并评估其成本效益。结论：标注时间有限时，多边形少顶点标注和结合SAM的框标注较优；时间充足时精确标注性能最佳。

本文综述了将SAM用于弱监督语义分割的多项研究：结合CAM生成更高质量伪标签，使五种方法mIoU提升6.2%；应用于隐蔽物体分割、显著目标检测、少样本分割及区域描述生成；并提出基于CLIP与SAM的由粗到细框架，在PASCAL VOC 2012上取得最先进性能。

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。