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

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

通过探索协同训练的不同维度及其对抗同质化，我们的多样化协同训练在 Pascal 和 Cityscapes 数据集上大幅优于现有方法，通过仅使用 92、183 和 366 张标记图像，在 Pascal 数据集上取得了 mIoU 分别为 76.2%、77.7% 和 80.2% 的最佳结果，超过之前的最佳结果超过 5%。

Aug, 2023

本文提出了一种半监督学习的方法，即自我训练范式，通过用标注数据训练教师模型并在大量未标注数据上生成伪标签，以较少的监督实现像素级准确模型，并在 Cityscapes，CamVid 和 KITTI 数据集上取得了最优表现，同时，在具有挑战性的跨域泛化任务上表现更佳，最后，为了减轻大量伪标签带来的计算负担，提出了一种快速训练计划来加速分割模型的训练。

Apr, 2020

本文提出了一种深度多平面协同训练（DMPCT）模型，以实现半监督医学图像分割问题。实验结果表明，DMPCT 显著优于全监督方法，特别是在使用少量注释时。

Apr, 2018

本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术，并在多个医学图像数据集上进行了验证和表现优于其他方法。

Feb, 2019

本论文提出一个创新的框架，利用半监督学习，生成对图像和标签的联合分布进行判别像素级任务，并通过少量标签图像和大量无标签图像的补充进行训练，该方法在医学图像分割和面部分割领域表现出强大的领域内性能，并展示了从 CT 到 MRI 等领域之外的广泛有效性。

Apr, 2021

本研究介绍了一种半监督框架，通过一个辅助模型和一个自我纠正模块，在只有一小部分完全有监督图像的基础上，使用具有目标边界框标签的图像和只有目标边界框标签的图像集（称为弱集），训练出高质量的语义分割模型，这种方法比传统大量完全有监督数据模型要求的标注工作量减少～7 倍。

Nov, 2018

本文提出一种半监督学习的语义分割模型，该模型可以将从像素级别注释的强类别中学到的分割知识转移到只有图像级别注释的弱类别中，从而显著扩大了深度分割模型在实际应用中的适用范围。该模型由两个互补且可学习的部分组成：标签转移网络（L-Net）和预测转移网络（P-Net）。通过将这两个部分进行整合，可以在 PASCAL VOC 2012 数据集上实现与完全监督基线相近的 96.5％和 89.4％的性能，而只使用 50％和 0％的像素级别注释类别。

Nov, 2017

提出了一种半监督语义分割的框架，采用自监督单目深度估计和利用场景几何形状强数据扩增的方式，结合深度特征差异和难度级别，通过学生 - 教师框架选择最有用的样本进行语义分割的注释，实现了在 Cityscapes 数据集上半监督语义分割的最好结果。

Dec, 2020