通过聚类的方式进行无监督人物再识别，并采用 “小数据驱动大任务” 的机器学习范式，通过元聚类学习方法实现了对大规模无标注数据的高效利用，降低计算成本、改善数据标注问题。

Nov, 2021

在这篇论文中，我们提出了一种新颖的伪标签精炼框架，通过补充性增强策略，生成额外的候选框并在不同领域中对 RoI 特征进行对齐，有效提高了伪标签的质量，并在六个自动驾驶基准测试中持续超越了现有最先进的方法。

Apr, 2024

本文提出了一种基于组件的伪标签细化框架，通过利用全局特征和部分特征之间的互补关系，设计了一个交叉一致性得分来减少标签噪音。通过对全局特征的伪标签进行部件特征预测的集成，进一步减轻了全局特征聚类中的噪声，通过标签平滑来应用伪标签的部分特征。由于交叉一致性得分提供了可靠的互补信息，我们的方法可以有效地减少噪声标签的影响，并学习具有丰富本地上下文的判别性表示。

Mar, 2022

通过基于密度的聚类算法提出伪标签课程表，通过高密度值子集进行早期训练，在后期使用低密度值的数据子集，进而改进网络生成伪标签的能力，提高模型的训练效果并实现最先进的性能

Aug, 2019

该论文提出了一种基于聚类和标签细化的无监督行人重新识别方法，通过内部相机特征分布和自适应学习得到更加可靠的伪标签，取得了优于当前最先进方法的结果。

Apr, 2023

本文提出了一种名为概率不确定性引导的逐步标签精炼的方法，旨在解决无监督域自适应人员再识别中伪标签的噪音问题，通过探索逐步提升伪标签以及用概率建模伪标签不确定性等手段，最终在四个无监督域自适应人员再识别基准任务上实现了业界领先的表现。

Dec, 2021

本文提出了一种基于置信度的伪标签方法，用于目标检测任务中的半监督目标检测。相较于现有方法，我们的方法可以更好地估计伪标签的分类和定位质量，并根据估计结果调整伪标签产生的阈值和权重，从而缓解类别不平衡和定位精度的问题。我们的实验结果表明，在 COCO 和 PASCAL VOC 数据集上，本方法可以使半监督目标检测的性能提升 1-2% AP，在有限标注的情况下，即使只使用 COCO 的 1-10% 标记数据，我们的方法也能将有监督基线方法的性能提高 10% AP。

Jun, 2021

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

利用多个伪标签进行半监督医学图像分割，可以提高模型性能和泛化能力。验证结果显示，这种新方法在几个医学图像数据集上的表现明显优于现有方法。

May, 2024

该论文提出了一种无监督的个体重识别方法，通过伪标签训练并使用不同本地视图的多视图特征来丰富特征表示，同时利用教师模型的知识来减少噪声干扰，经过特征净化模块的处理，其无监督个体重识别表现优于目前最好的方法，特别是在 Market-1501 数据集上 ResNet-50 下，实现了 94.5%@Rank-1 的准确度。

Apr, 2022