這篇文章的主要貢獻點在於：
1.實驗證明僅僅利用圖像整體的弱標簽很難訓練出很好的分割模型；
2.可以利用bounding box來進行訓練，並且得到了較好的結果，這樣可以代替用pixel-level訓練中的ground truth；
3.當我們用少量的pixel-level annotations和大量的圖像整體的弱標簽來進行半監督學習時，其訓練效果可和全部使用pixel-level annotations差不多；
4.利用額外的強弱標簽可以進一步提高效果。
這是用image-level labels來做的，通過圖像的標簽對每個像素進行處理，如果該像素的用CNN得到的score map中有該圖像標簽，則對m位置處的CNN輸出做調整並選取其中的最大值作為最新標簽，然后用M步中的批量梯度下降法得到新的CNN參數（這個步驟和之前用pixel-level做是一樣的），不再需要人工來做大量的工作進行像素級的標定。但是這種方法不太准確，所以用像素級的一部分標簽加上圖像的標簽來進行訓練。
這篇文章在DeepLab的基礎上進一步研究了使用bounding box和image-level labels作為標記的訓練數據。使用了期望值最大化算法（EM）來估計未標記的像素的類別和CNN的參數。
對於image-level標記的數據，我們可以觀測到圖像的像素值
和圖像級別的標記
,但是不知道每個像素的標號
,因此把 當做隱變量。使用如下的概率圖模式：
使用EM算法估計
和。E步驟是固定求的期望值，M步驟是固定使用SGD計算。
對於給出bounding box標記的訓練圖像，該方法先使用CRF對該訓練圖像做自動分割，然后在分割的基礎上做全監督學習。通過實驗發現，單純使用圖像級別的標記得到的分割效果較差，但是使用bounding box的訓練數據可以得到較好的結果，在VOC2012 test數據集上得到mIoU 62.2%。另外如果使用少量的全標記圖像和大量的弱標記圖像進行結合，可以得到與全監督學習(70.3%)接近的分割結果(69.0%)。