半监督语义分割领域伪标签方法的综述，从不同角度分类并介绍了特定应用领域的具体方法，还探讨了伪标签技术在医学图像分割中的应用，并提出了一些可行的未来研究方向来解决现有挑战。

Mar, 2024

本研究提出了一种半监督语义分割方法，通过维护不同场景下相同特征的一致性，设计了方向反转损失函数并使用了两种样本筛选策略，该方法在图像级注释下有效地提高了半监督语义分割的性能。

Jun, 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

提出一种新型半监督语义分割方法，结合像素级 L2 损失和像素对比损失以实现两个分割模型规则：图像增强之间的标签空间一致性性质和不同像素之间的特征空间对比性质，采用 DeepLab-v3+ 结构和多个数据集进行了广泛的实验，表现出最先进的性能。

Aug, 2021

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

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

本研究基于半监督度量学习方法，提出了四种对应关系来捕捉低 - level 图像相似性、语义标注、共现和特征亲和力。这些节点可以从任何部分注释的训练图像中以数据驱动的方式进行学习，因此，该模型不仅适用于弱监督分割中标记的像素，还适用于未标记的像素。

May, 2021

本研究提出了一种半监督语义分割的新方法，采用对比学习模块，通过维护持续更新的内存库，将具有相同类别的样本的像素级特征表示相似，通过端到端的训练，优化标注和未标注数据的特征，能够在公共基准测试中取得比半监督语义分割和半监督领域适应的现有技术更好的表现，尤其在标注数据较少的情况下有更大的提升。

Apr, 2021

提出了通过结合主动学习和半监督学习来减少标注样本数量的新算法，应用于语义分割任务取得了优异的成果。

Mar, 2022