上海交大最新《标签高效深度分割》研究进展综述，全面阐述无监督、粗监督、不完全监督和噪声监督的深度分割方法

论文链接：https://arxiv.org/pdf/2207.01223.pdf

随着深度学习的快速发展，计算机视觉的基本任务之一分割技术取得了很大的进展。然而，目前的分割算法主要依赖于像素级注释的可用性，这通常是昂贵的、繁琐的和费力的。为了减轻这种负担，在过去的几年里，人们越来越关注建立高效标签、基于深度学习的分割算法。本文对标签高效分割方法进行了全面的综述。为此，我们首先根据不同类型的弱标签(包括无监督、粗监督、不完全监督和噪声监督)提供的监督，并辅以分割问题类型(包括语义分割、实例分割和全景分割)，制定了一个分类法来组织这些方法。接下来，我们从统一的角度总结了现有的标签高效分割方法，讨论了一个重要的问题: 如何弥合弱监督和密集预测之间的差距——目前的方法大多基于启发式先验，如跨像素相似度、跨标签约束、跨视图一致性、跨图像关系等。最后，我们对标签高效深度分割的未来研究方向提出了自己的看法。