本文探讨探索深度卷积神经网络的力量，提出了一种弱监督的深度检测架构，该架构可以同时进行区域选择和分类，并使用图像分类器训练，从而比实现图像级分类任务的标准数据增强和微调技术更好地学习目标探测器。

Nov, 2015

本研究提出一种使用CNNs结合基于期望最大化算法的弱监督方法来学习语义分割分类器的方法，并通过在简单图像上学习初始化和使用显著性和注意力地图来实现更好的结果，同时，研究也表明该方法无需使用精确像素级别标签，能在PASCAL VOC 2012数据集上保持高性能。

Dec, 2016

本研究提出了一种半监督方法，只需要较少数量的粗粒度类别的边界框注释和大规模细粒度类别的图像级标签，即可实现接近完全监督检测的所有类别的检测精度，包括了使用共享骨干，基于软注意力的候选建议重排和双级存储器模块的相关性。实验证明，这种方法在 ImageNet 和 OpenImages这两个大规模数据集上，只有少部分类别进行完全注释就能够接近最先进的全监督方法。

Aug, 2019

该论文提出了一种使用在线标注模块（OAM）从弱标注图像生成一组可靠的注释，可与任何完全监督的两阶段对象检测方法联合训练，从而实现了仅需要一组低标注图像的完全端到端策略。将OAM与Fast(er) R-CNN相结合，可在PASCAL VOC 2007和MS-COCO基准测试上将其性能提高了17％ mAP，9％ AP50，并且明显优于使用混合监督的竞争方法。

Aug, 2020

本文综述了弱监督物体定位和检测领域中的经典模型、深度网络特征表示法、基于纯深度学习的方法及公共数据集和标准评估指标等内容。同时也讨论了该领域的发展历程、方法类别间的关系、应用以及未来研究方向等。

Apr, 2021

本文提出了一种弱/半监督目标检测框架(WSSOD)，通过在联合数据集上训练代理检测器，进而在弱标注图像上预测伪包围框，提出了弱监督损失(WSL)、标签注意力和随机伪标签采样策略来放宽当前半监督流程的假设，并为检测管道的有效性带来额外的改进。这个框架在PASCAL-VOC和MSCOCO基准测试中展示了显著的性能，只有三分之一的注释数据就能达到与完全监督相同的高性能。

May, 2021

本文提出了一种有效的点到框回归器 Group R-CNN 用于弱监督目标检测问题，在 MS-COCO 基准测试上实验表明，Group R-CNN 显著优于 Point DETR 等方法，可用于小批量标注数据集的物体检测。

May, 2022

通过使用“盒中盒”（BiB）主动学习策略，选择训练集中自动选定的少量完全注释的样本，对基础预训练的弱监督检测器进行微调，从而缩小其与完全监督检测器之间的性能差距，并显著提高其性能。在 VOC07 和 COCO 基准测试中，BiB 能够超越其他主动学习技术，仅使用每个类别的少量全注释图像即可使弱监督检测器的性能接近完全监督 Fast RCNN 的性能。代码公开可用于 https URL。

Jul, 2022

在这篇文章中，我们针对当前最先进的目标检测器Deformable DETR，提出了一种针对少批注学习设置的半监督方法，使用学生-教师架构，在避免依赖教师模型生成的伪标签的敏感后处理的同时进行学习。我们在半监督目标检测基准COCO和Pascal VOC上评估了我们的方法，并在标注稀缺的情况下优于先前的方法。我们相信我们的贡献为在此设置中使用类似的目标检测方法开辟了新的可能性。

Oct, 2023

本文综述了半监督学习在目标检测任务中的27种最新发展，从卷积神经网络到Transformer，探讨了半监督学习的核心组件及其与目标检测框架的集成，包括数据增强技术、伪标签策略、一致性正则化和对抗训练方法，并对各种SSOD模型进行了详细的比较分析，评估其性能和架构差异。旨在引发对克服现有挑战和探索半监督学习在目标检测中新方向的研究兴趣。

Jul, 2024