版权声明：本文为博主原创文章，未经允许，不得转载！欢迎留言附带链接转载！ https://blog.csdn.net/qq_15698613/article/details/89332561
摘要：
基于深度卷积神经网络的传统语义分割模型严重依赖于大量人工标注数据，因而在学习新的类别信息时需要庞大的人力成本来标注数据。弱监督语义分割技术，由于仅依赖图像类别标签等轻量级标注数据，也因此正在成为学术界研究的热点。本报告将介绍弱监督语义分割领域的年度进展，着重介绍基于显著性物体检测、注意力区域、边缘检测等信息用于弱监督学习的最新方法。进一步，我们还将介绍仅依赖互联网检索图像，而非人工标注图像如何学习语义分割模型。即当给定一个类别标签集合，如何利用网络大数据来索引相关图像进而学习，进而完全避免人工标注过程。本次报告也将对该问题引申出的可研究方向进行讨论。
程明明教授简介：
程明明，1985 年生。2012 年博士毕业于清华大学，之后在英国牛津从事计算机视觉研究，并于2014 年回国任教，2016 年起任南开大学教授，国家“万人计划”青年拔尖人才，首批天津市杰出青年基金获得者。其主要研究方向包括：计算机图形学、计算机视觉、图像处理等。已在IEEE PAMI, ACM TOG 等CCF-A 类国际会议及期刊发表论文40 余篇。相关研究成果论文他引10,000 余次，最高单篇他引2,600 余次。其研究成果在华为、腾讯等公司的旗舰产品中得以应用。其中，显著性物体检测技术被华为Mate 10 等旗舰手机作为亮点特性，于产品发布会中展示
