在分析语义分割问题时，我们发现其分布没有展现出低密度区域，并将其作为解释半监督分割为何是具有挑战性的问题的原因，然后找到增强选择作为获得可靠性性能的关键，并发现这些改进后的CutOut和CutMix增强技术在标准数据集中提供了最先进的半监督语义分割结果。

Jun, 2019

文章提出了一种利用一些有限的像素注释数据和一些无标签数据进行半监督语义分割的方法，并在 PASCAL VOC 2012，PASCAL-Context，和 Cityscapes 数据集上实现了最新的半监督学习的最佳性能。

Aug, 2019

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

本文中，我们提出了一种新的一致性正规化方法，名为交叉伪监督（CPS），通过探索有标签数据和额外的未标记数据来研究半监督语义分割问题。在城市风景和PASCAL VOC 2012上，我们的方法实现了半监督分割性能的最新水平。

Jun, 2021

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

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

本文中，我们使用新的mean-teacher模型扩展和更严格的confidence-weighted cross-entropy loss解决了一些不准确的预测，这使我们能够使用新的对抗性扰动技术来提高对相对数据的一致性学习泛化能力。结果表明，我们的方法较先前的SOTA方法在该领域实现了显着的改进。

Nov, 2021

本文提出了基于区域级别对比和一致性学习框架 (RC^2L) 的半监督语义分割方法，通过引入区域级别损失，包括 Region Mask Contrastive (RMC) 损失、Region Feature Contrastive (RFC) 损失、Region Class Consistency (RCC) 损失和 Semantic Mask Consistency (SMC) 损失，实现了更好的稳定性和性能。在 PASCAL VOC 2012 和 Cityscapes 数据集上的实验结果表明，所提出的方法优于现有最先进方法。

Apr, 2022

本文提出了一种新的基于双分支协同训练框架的基于冲突的跨视图一致性方法(CCVC)，该方法使用特征差距损失鼓励两个子网络从相同的输入学习不同的特征，并使用冲突的伪标签方法来保证模型可以从冲突预测中学习更多有用的信息，从而在半监督语义分割(Semantic Segmentation)任务中取得了最新的最优性能.

Mar, 2023

本文提出了一种基于区域相关性网络的半监督语义分割方法，其中包括本地伪标签过滤模块、本地选择损失模块和动态区域损失校正模块，这些模块可以降低伪标签引起的分类误差和预测不一致性，实现更好的分割结果。

Apr, 2023