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

本文提出了SemCo方法，该方法结合标签语义和联合训练来解决半监督学习中伪标记质量差的问题，该方法在各种SSL任务中实现了最先进的性能，例如使用1000个标记的样本的Mini-ImageNet数据集上提高了5.6％的准确性。

Apr, 2021

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

本文提出了一种分布对齐与随机采样方法(DARS), 用于生产能够匹配标记数据的真实分类分布的无偏伪标签，同时也提出了一种渐进式数据增强和标签策略，以促进使用伪标签训练模型。实验结果表明，该方法在Cityscapes和PASCAL VOC 2012数据集上的表现优于现有的前沿方法。

Jul, 2021

本研究提出了一种通过利用熵值对可靠像素和不可靠像素进行分类，再进一步将不可靠像素分配为负样本，从而对无标签数据进行半监督语义分割的有效策略

Mar, 2022

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

使用Segment Anything Model（SAM）结合Class Activation Maps（CAM）生成更高质量的伪标签，用伪标签为特定类提供信号，选择相关的mask并用它们进行标注以产生一个更精确的伪标签，综合我们的方法提高了五种最先进的弱监督语义分割方法的平均伪标签交并比（mIoU）6.2％。

May, 2023

本研究提出了一种有效的方法，通过对预测结果进行熵值分析并利用不可靠像素生成负样本键从而在语义分割中充分利用未标记数据。

Jun, 2023

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

借助伪标签，我们提出了一种可靠地从伪标签中学习的方法，通过对象检测器和语义分割模型统一预测，确定可靠的伪标签像素，对伪标记像素分配不同的学习权重来避免噪音训练信号。

Jul, 2024