本文介绍了如何将 Mean Teacher 泛化到分割任务，并表明该方法可以在公开数据集中显着提高分割性能，同时解决了传统数据增强策略在分割任务中出现的问题。

Jul, 2018

该研究论文介绍了一种名为双教师的简单而有效的方法，利用双临时教师解决了学生和教师权重耦合的问题，通过定期生成伪标签训练学生模型并保持不同特征，以显著缩短训练时间，并证明了该方法适用于各种模型。

Oct, 2023

本文中，我们使用新的 mean-teacher 模型扩展和更严格的 confidence-weighted cross-entropy loss 解决了一些不准确的预测，这使我们能够使用新的对抗性扰动技术来提高对相对数据的一致性学习泛化能力。结果表明，我们的方法较先前的 SOTA 方法在该领域实现了显着的改进。

Nov, 2021

本文提出了一种用于在小部分标记的情况下训练深度神经网络的简单高效方法，采用自我模拟方案的集成预测来提高标签的未知性，从而使得在两个标准半监督学习基准测试中加快速度并实现更好的性能。

Oct, 2016

我们提出了一种基于师生对抗框架的半监督目标检测方法，使用区域提议和软伪标签作为学生的训练目标，并使用指数移动平均策略更新教师。相比于最近的最先进技术，我们的模型使用许多建议和软标签向学生暴露了更丰富的信息，并通过使用检测特定数据集合，使教师更可靠地生成伪标签。在 VOC07 验证集上达到了 53.04% 的 COCO-style AP，比 STAC 高出 8.4%，在 MS-COCO 上取得了优于以往工作的表现。

Jun, 2021

研究了半监督学习中的一种基于一致性正则化的方法，提出使用随机权重平均和快速随机权重平均来加速模型的训练，达到了最先进的结果

Jun, 2018

本文介绍一种基于一致性方法来改善半监督学习（SSL）效果的新模型 —— 双生学生（Dual Student），它将原模型中的教师模型替换为另一个学生模型；还引入了一个新的概念 —— 稳定样本，利用它来设计一个稳定约束以便于模型的训练；本文还讨论了新模型的两种变体，并在 SSL 基准测试中对其进行了广泛的实验，证明了本文提出的新模型可以显著提高分类性能和领域适应性。

Sep, 2019

该论文介绍了一种基于权重平均技术和扰动策略的集成神经网络蒸馏方法，有效地将多个教师网络的功能多样性吸收到一个适合资源受限环境中使用的学生网络中，并在多个图像分类任务上显著提高了性能。

Jun, 2022

本文针对点云医学配准中的域适应问题和损伤监督教师中的噪声提出了一种去噪老师 - 学生范式方法，在公共数据集 PVT 上验证，在两个域移位模型下，该方法提高了 13.5 / 62.8% 的性能，并取得了新的最高精度水平 (TRE=2.31mm)。

Jun, 2023

通过平均训练以不同超参数配置微调的模型，提高现有模型的性能和鲁棒性，从而在多个图像分类和自然语言处理任务中达到新的最先进技术水平。

Mar, 2022