本文介绍一种基于深度分割模型集成的半监督学习方法，利用有标注的图片训练模型子集，并使用未标注的图片协同训练模型，同时使用对抗样本来保持多样性，实现语义图像分割的性能提升，在两个医学图像数据集上取得最先进的结果。

Mar, 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

本文介绍了一种互动训练（Dynamic Mutual Training，DMT）的方法，可以通过两种不同模型之间的互动来确定伪标签的错误，从而提高半监督学习的性能。在图像分类和语义分割任务中，DMT均取得了最新的表现。

Apr, 2020

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

本文提出了一种新颖的互相关网络（MC-Net+），通过有效地利用未标记数据进行半监督医学图像分割。我们在三个公共医学数据集上比较了我们 MC-Net+ 模型的分割结果与五种半监督方法的结果，实验表明我们的模型在半监督下分割效果最优，树立了半监督医学图像分割的新标准。

Sep, 2021

提出了一种称为UCC的新型学习框架，它通过强弱数据增强、动态交叉集复制粘贴和不确定性引导的重新加权模块，结合了一致性和自我训练的优势，从而实现了半监督语义分割。在Cityscapes和PASCAL VOC 2012数据集上进行了广泛的实验，证明了UCC方法的有效性和优越性。

May, 2022

本文提出了SCP-Net方法，利用多个输入源提高一致性学习中预测的多样性，结合半监督方法和自我感知一致性学习方法，提高伪标签的紧致性和可靠性。实验表明，SCP-Net可以优于其他半监督分割方法，相比于有限的有监督训练，可以显著提高性能。

May, 2023

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

在这篇研究论文中，我们采用无监督的频率统计方法来检测图像组中同时出现的显著对象（CoSOD），从而使我们能够开发半监督的方法。我们提出的无监督方法US-CoSOD结合了无监督单图像语义分割的对象共现频率统计和利用自监督特征学习的显著前景检测。我们首次展示了大规模无标签数据集（例如ImageNet-1k）可以有效地提高无监督CoSOD的性能。同时，我们的无监督模型是半监督模型SS-CoSOD的良好预训练初始化，在训练过程中，尤其是当可用的标记数据非常有限时。为了避免在无标签数据上的预测中传播错误的信号，我们提出了一种置信度估计模块来指导我们的半监督训练。对三个CoSOD基准数据集的广泛实验证明，我们的无监督模型和半监督模型都显著优于相应的最先进模型（例如，在Cosal2015数据集上，我们的US-CoSOD模型相对于最先进的无监督共分割模型有8.8%的F-measure增益，而我们的SS-CoSOD模型相对于最先进的半监督CoSOD模型有11.81%的F-measure增益）.

Nov, 2023