国外泛读！title（31）：Learning Pixel-level Semantic Affinity with Image-level Supervision for Weakly Supervised Semantic Segmentation（在弱监督语义分割中利用图像级监督学习像素级语义相关性）---20180409
由于以往的弱监督分割算法，都未曾考虑被检测目标的位置、形状等特征信息，分割效果差强人意。
这篇文章在监督信息中利用了被检测目标的位置、形状信息。加上其独有的学习方法（大体可以分为三个步骤），使得该算法可以达到出色的语义分割效果，甚至超越了经典的FCN方法。
本文提出的弱监督语义分割方法大致分为两部分：
（1）根据图像级别的类别标签合成训练图像的像素级分割标签；
（2）用生成的分割标签学习DNN进行语义分割。
整个框架基于三个DNN：网络计算CAM（Class Activation Maps），AffinityNet（本文提出的这个网络用于预测一对相邻图像坐标之间的语义相关性）以及一个分割模型。 前两个用于生成训练图像的分割标签，最后一个是执行实际语义分割的DNN，并且用合成的分割注释训练。
本文算法架构：
国内泛读！title（32）：Bottom-Up Top-Down Cues for Weakly-Supervised Semantic Segmentation（弱监督语义分割的自下而上、自上而下的线索）---20170409
摘要：
本文提出了一个EM（ Expectation-Maximization）方法。主要从三方面来关注这个EM方法：（1）初始化；（2）潜在后验估计（E-step）；（3）参数更新（M-step）。