提出了一种新颖的群体计数方法，利用了学习排名框架中丰富可用的未标记人群图像。该方法采用裁剪图像的排名方式，通过考虑拥挤场景图像的任何子图像都可以保证包含相同或更少数量的人而解决了现有数据集规模有限的问题。本文还从Google收集了两个人群场景数据集，并演示了如何在多任务网络中合并学习排名和人群密度估计。在两个最具挑战性的群体计数数据集上的实验证明了该方法获得了最先进的结果。

Mar, 2018

本文提出了一种半监督的学生-教师模型——“fidelity-weighted learning”，通过模拟教师网络来根据标注品质的置信度调整每个样本在学生网络的参数更新中所占比重，从而在使用弱标注数据进行深度神经网络训练时取得比主流半监督学习方法更好的性能。此方法在文本排序任务上表现优异。

Jun, 2018

本文介绍了一种基于自监督正则化的半监督学习方法，其中利用了大量未标记数据来提高模型的性能，并且可以有效地应用于图像分类任务中，不需要任何补充的超参数进行调整。实验结果表明，该方法优于传统的监督和半监督学习方法。

Jun, 2019

使用self-ensemble标签过滤方法对深度神经网络在噪声标签下的学习进行改进，通过逐渐过滤错误标签来提高任务性能，同时在无监督损失中利用这些数据进行半监督学习，并在不同的数据集和噪声比率下优于以前所有的噪声感知学习。

Oct, 2019

本文针对在一个图像集合中发现新类别的问题，提出结合自监督学习、排名统计和联合目标函数优化的方法，使用带标签和未标记数据训练数据表示模型，成功应用于标准分类基准测试中，显著优于现有的方法。

Feb, 2020

本文研究如何通过无监督预训练和有标签数据微调相结合，使用大型深度神经网络，在少量标签的情况下实现半监督学习。该方法在ImageNet数据集上实现了10倍效率提升，在只有1%标签的情况下，使用ResNet-50模型获得了73.9%的top-1准确率。

Jun, 2020

该研究通过将主动学习与自监督预训练相结合，并使用称为Balanced Selection（BASE）的算法来解决类不平衡问题，提高图像分类性能，特别适用于工业级大规模数据标记和训练中。

Nov, 2021

在半监督学习中，为了减少标记数据的需求，经常使用自我训练来分配伪标签。然而，由于自我训练中可能会出现错误的伪标签，从而导致训练不稳定，因此提出了一种去偏差的自我训练方法，它使用两个参数独立的分类器头来分离伪标签的生成和利用，并通过对抗优化表征来改善伪标签的质量，从而稳定训练并提高性能。

Feb, 2022

本文提出了一种新的弱监督自动标注人群图像密集标注数据的方法，通过构造一种Siamese Ranking Network模型来预测图像的潜力分数以表明人群数量的排序，同时在推断阶段引入锚点来提高模型的精度。实验结果表明，该方法在无需额外添加标注数据的情况下，优于现有的弱监督方法。

May, 2022

本文提出了SelfClean，一种基于自监督学习的图像数据清理通用程序，通过自监督学习来避免注释偏差，将数据集清理视为一组排名问题或一组得分问题，并在常见的计算机视觉基准测试上展示了state-of-the-art的性能，同时应用于多个图像数据集并证实了评估的可靠性有所提高。

May, 2023