本文提出了一种 基于空时插值一致性训练 (STICT) 框架的视频阴影检测方法，使用未标记的视频帧与标记的图像一起训练深度神经网络，通过空间插值和时间插值一致性约束增强像素级别分类任务的泛化性能和鼓励时间连续预测。此外，还提出了一种适用于图像的多尺度的阴影知识学习的 Scale-Aware Network 和稍微有一点尺度一致性约束的测量方法，结果表明，即使没有视频标签，该方法也比大多数现有的监督、半监督或无监督的图像 / 视频阴影检测方法和相关任务的其他方法更好。

Jun, 2022

本文探讨了基于少量标注数据的持续半监督学习问题，并设计了一种利用度量学习和一致性正则化的新方法，仅依赖 25% 的监督数据即可优于全监督训练下的 SOTA 方法。

Aug, 2021

提出了一种基于插值方法的半监督学习算法来解决使用一些标签的数据集时一致性正则化方法的性能问题，并设计了一种新型对比损失来引导学习网络嵌入样本，实现更好的边界决策能力，通过实验证明，与现有算法相比，该算法可提高分类准确率 5.3% 以上。

Feb, 2022

本文提出了一种基于插值的半监督学习方法，ISD，用于目标检测任务，通过不同的损失函数适合不同模型输出类型的训练方式，有效提升了模型性能。

Jun, 2020

深度学习在理论和实践之间存在理论实践差距，最近的研究关注了过拟合现象及其影响因素，提出了插值信息准则来研究过参数化模型的性能和泛化能力。

Nov, 2023

通过对比学习和分类联合相互帮助，以对抗标签噪声提高性能，同时提出了一种新的标签噪声检测方法，通过准确识别有争议的 per-sample soft-labels 来防止噪音记忆并改进表示学习。

Dec, 2020

本研究提出了一种基于模糊回归和插值一致性正则化的分布式半监督学习模型，可以很好地应对不确定性数据和高计算、通信成本问题，在分布式场景下较快地收敛，适用于大规模数据集，并且在人工和真实的数据集上取得了比现有模型更好的性能。

Sep, 2022

本研究提出了一种基于几何变换的一致性约束正则化半监督图像翻译算法，在图像着色、去噪和超分辨率等数据敏感任务中，表现出仅需约 10-20% 有标注样本数量就能与标注样本量一样优秀的表现，同时可在视频处理任务中大幅提升质量。

Jul, 2020

本文提出了一种新颖的正则化策略，包括基于插值的混合策略，以此来解决医学图像分割任务中像素级注释不足的普遍问题。实验证明该方法比现有的半监督模型更具优越性，且不需要额外的计算。

Feb, 2022

本文提出了一种新型的基于交叉一致性的半监督语义分割方法，其中共享编码器和主解码器进行有监督训练，利用无标签数据来提高编码器的表示，该方法简单易懂，并且在多个数据集上实现了最先进的结果。

Mar, 2020