我们提出了 RoPAWS，它是 PAWS 的强大扩展，可以使用真实世界未标记的数据。从概率角度出发，我们基于标记和未标记数据的密度进行预测，引入了校准，从而得到了一个不错的结果。我们证明，RoPAWS 对于 uncurated Semi-iNat 和 curated ImageNet 都有明显的提高。

Feb, 2023

本文介绍了一种在线聚类算法 SwAV，在不需要计算成对对比的基础上，通过使用一种被称为预测机制的方式来建立视图之间的一致性，并提出了一种新的数据增强策略多裁剪，在 ImageNet 数据集上达到 75.3％的 top-1 准确率，并超出了所有考虑的迁移任务的监督预训练。

Jun, 2020

本研究提出了一种半监督深度自监督预训练方法来解决高光谱图像分类中存在的维度灾难和对大量样本数据需求的问题，通过伪标签来加强半监督训练效果，实验结果表明该方法优于自监督和监督方法。

Jun, 2023

该研究采用改进的半监督学习方法，利用固定基础模型作为神经网络的骨干，使用 vMF-SNE 创建具有局部结构的高维潜空间映射，采用软多视图伪标签提供更可靠的监督信号，引入简单的 k-means 原型选择技术，实现卓越的性能提升，并在多个基准数据集中取得了新的半监督学习技术的最佳结果。

Nov, 2023

本文提出了一种新方法，基于半监督学习、自监督学习、聚类和流形学习技术解决了冷启动或无监督选择标签问题，该方法在选择信息图像的子集进行标记时取得了良好的结果，通过我们的标签选择策略在 CIFAR10，Imagenette， DeepWeeds 和 EuroSAT 等公开数据集上进行测试，与随机采样相比，采用我们的标签选择策略使用时，监督和半监督学习策略的性能都有所提高，相比文献中的其他方法，对于所考虑的数据集，我们也获得了更好的性能。

May, 2023

本文提出了一种将基于聚类的自监督方法转化为半监督学习的方法，通过引入一个多任务框架将监督学习和自监督学习结合，证明该方法在 CIFAR100 和 ImageNet 上的表现是最优的。

Jun, 2023

本文提出了一种基于语义部分加权聚合（PWA）的图像检索方法，利用深度卷积层的具有区别性的过滤器作为部分检测器，并通过有效的无监督策略选择一些部分检测器生成概率建议，最终实现了对视觉对象的全局加权表示。研究表明，与现有的无监督和有监督的聚合方法相比，本文提出的无监督 PWA 方法具有更好的性能。

May, 2017

本文重新审视了伪标记的概念，提出了一种基于半监督学习的方法，通过将伪标记应用于无标签集中的样本，并利用已训练好的模型标记这些样本，然后迭代重复此过程来训练模型。本文通过实验证明，伪标记方法可以取得与现有最先进方法相媲美甚至更好的结果，并且更能抵御未知分布样本。作者指出采用学习课程原理以及在每个自我训练周期前重启模型参数是实现这一点的两个关键因素。在 CIFAR-10 数据集上，本文仅使用了 4,000 个标记样本，达到了 94.91% 的准确率，在 Imagenet-ILSVRC 数据集上，本文仅使用了 10％的标记样本，达到了 68.87％的 top-1 的准确率。

Jan, 2020

本文针对有限标注信息下的半监督学习进行研究，分析了当前应用最广的半监督学习方法 FixMatch 在这种情况下的表现和局限，提出了一种利用自监督学习方法提供训练信号以及优化伪标签筛选过程的方案，并在 STL-10 数据集上得到了显著提高。

Dec, 2021

该论文提出一个可添加到 SwAV 等现有方法中的附加模块，可以更好地学习图像语义中的空间交叉相关性和内部类信息，并提高物体检测等下游任务的性能。

Jun, 2022