挖掘未标记图像的额外使用能够有效地提高 2D 人体姿态估计器的准确性，通过数据增强和一致性训练方法，我们提出了一种简洁紧凑的半监督学习方法，与先前的方法相媲美，并在公共数据集中带来了显著的改进。

Feb, 2024

本文提出了一种半监督深度学习方法，使用无标签样本并通过仿射变换鼓励估计等变性，同时将学生网络的无标签样本伪标签提供给教师网络，以显著减少对标记训练数据的依赖，并且在测试时间仅使用学生网络的情况下，大量改善了之前半监督方法的表现。

Mar, 2023

本文提出了三种半监督和弱监督学习方案，通过利用卷积神经网络对人体姿态进行估计，实现了对无人类注释的训练图像中候选姿态和真正正面姿态的选择和提高。方案基于姿态聚类和离群姿态检测，可以选择更多的真正姿态，并在大规模人体姿态数据集上得到了验证。

Jun, 2019

人体姿势估计是计算机视觉中的基本且具有挑战性的任务。本文提出了一种自适应关键点遮罩方法和双分支数据增广方案，用于改进半监督姿势估计的准确性和泛化能力，超过了现有的半监督姿势估计方法。

Apr, 2024

我们提出了一种新的半监督学习设计，用于人体姿势估计，通过增强双学生框架，引入去噪方案生成可靠的伪热图作为无标签数据学习的目标，并通过估计的交叉学生不确定性从伪热图中选择学习目标。我们在 COCO 基准测试上进行了多个评估设置，结果显示我们的模型在极低数据情况下优于以前最先进的半监督姿势估计器，例如，只有 0.5K 标记图像时，我们的方法能够超越最好的竞争者 7.22 mAP （绝对改进量为 + 25%），我们还证明了我们的模型可以从非标签数据中有效学习，以进一步提升其泛化和性能。

Sep, 2023

本文介绍了一种基于半监督学习的医学图像分割方法，利用弹性变形实现了对有标签和无标签图像的变换一致性学习，通过在公共数据集上的测试，该方法达到了与同类方法相当的性能表现，并且使用了大为较少的有标签数据。

Nov, 2019

通过采用无监督学习技术，基于来自单个图像的 2D 骨架关节，我们提出了一种恢复 3D 人体姿势的方法，该方法不需要任何多视图图像数据、3D 骨架、2D-3D 点之间的对应关系或在训练过程中使用先前学习的 3D 先验知识。我们的方法采用一个 lifting 网络将 2D 关键点作为输入，并生成相应的 3D 骨架估计，其中我们通过在随机相机视点重投影修复后的 3D 骨架来产生新的 “合成” 2D 姿态。我们还训练了一个 2D 域适配器网络来扩展 2D 数据，并通过自适应正则化机制使域适应效果更好。最终，在 Human3.6M 数据集上，我们的方法对无监督三维 lifting 的改进达到了 30％，并且优于许多明确使用 3D 数据的弱监督方法。

Apr, 2019

本文提出了一种基于卷积神经网络的 3D 姿势估计方法，并结合反向投影技术实现了半监督训练，结果表明该模型在无监督和半监督情况下准确性都得到了明显提高。

Nov, 2018

提出基于伪标签生成的半监督图像分类方法，利用 mixup 增广和每个 mini-batch 至少有数量的有标注样本的限制解决了伪标签带来的过度拟合问题，并在多个数据集上取得了最新的结果。

Aug, 2019

通过利用大量未标记的野外头部图像，我们提出了第一个半监督的无约束头部姿势估计（SemiUHPE）方法，该方法可以应对多样性和复杂性较高的头部姿势领域，并使用动态熵过滤来自适应地去除未标记的异常值，并通过两种新的面向头部的强增强技术进一步提高了性能。

Apr, 2024