本文研究在有标记和无标记图像的情况下学习分类器的半监督图像识别问题。我们提出了 Deep Co-Training 方法，该方法基于 Co-Training 框架，并通过对抗样本促进视角差异性以防止多个深度神经网络之间的折叠。在 SVHN、CIFAR-10/100 和 ImageNet 数据集上进行测试，结果表明我们的方法大幅优于先前的最先进方法。

Mar, 2018

基于少量训练资源，Meta Co-Training 在 ImageNet-10% 上取得了新的最先进性能，并在其他细粒度图像分类数据集上胜过先前的半监督方法。

Nov, 2023

本文提出了 SemCo 方法，该方法结合标签语义和联合训练来解决半监督学习中伪标记质量差的问题，该方法在各种 SSL 任务中实现了最先进的性能，例如使用 1000 个标记的样本的 Mini-ImageNet 数据集上提高了 5.6％的准确性。

Apr, 2021

该研究提出了一种半监督学习方法，利用一个 “目标网络” 和一个 “置信网络” 进行多任务训练，在大量弱注释未标注数据上优化目标网络，同时用置信网络的分数来加权目标网络的梯度更新，以避免噪声标签对目标网络模型的质量造成损害，并在评估中证明其相对基线的性能得到提高，同时从弱标签中提高了学习速度。

Nov, 2017

本文提出了一种半监督图像分割的改进方法，采用自主逐步训练方法和不同网络结构预测结果一致性及可靠性的 Generalized Jensen Shannon Divergence（JSD）损失函数，通过在在训练的不同迭代中强制模型的预测结果始终保持一致性，获得了在少量已标注数据情况下取得了比标准协同训练基线方法和最新半监督分割方法更好的性能表现。

Oct, 2020

本研究介绍了一种名为双重稳健自训练的算法，利用未标记的数据生成伪标签，与少量的标记数据相结合进行训练，以解决半监督学习问题。经实验证明，该算法优于标准的自训练基线，且在 ImageNet 数据集上表现出色。

Jun, 2023

本文研究发现，利用未标注的数据进行共同训练可以提高基于提示学习的性能，从而实现对具有挑战性数据集中性能的显著提高。

Feb, 2022

本文旨在研究深度神经网络中对抗学习的鲁棒性，提出了一种基于深度协同训练和伪标签改进的对抗学习框架，通过在 CIFAR-10 和 SVHN 等数据集上的实验证明，该框架在不同的数据集、网络结构和对抗性训练类型下，表现出比使用伪标签的基线模型更强的鲁棒测试精度和标准测试精度。

Nov, 2019

本文介绍一种基于深度分割模型集成的半监督学习方法，利用有标注的图片训练模型子集，并使用未标注的图片协同训练模型，同时使用对抗样本来保持多样性，实现语义图像分割的性能提升，在两个医学图像数据集上取得最先进的结果。

Mar, 2019

本文提出了一种基于多视角一致性的 3D 数据协同训练新框架，利用不同子网络的多样化特征来扩展协同训练，采用基于贝叶斯深度学习的不确定性加权标签融合机制来估计每个视图预测的可靠性，并通过自适应方法计算每个未标注样本的置信度，它在临床图像处理领域的效果得到了验证。

Nov, 2018