本文研究半监督物体检测(SS-OD)中的伪标签偏差问题并引入一种名为“Unbiased Teacher”的方法，通过对过度自信的伪标签进行分类均衡损失，共同训练一个学生和逐渐进步的老师，最终在COCO标准、COCO附加和VOC数据集上使现有的最先进方法显著提高6.8绝对mAP，当只使用0.5、1、2％的标记数据时，相对于有监督的基线，实现了约10 mAP的提高。

Feb, 2021

本研究介绍了一个完全端到端的有效半监督物体检测框架 Instant-Teaching，使用了即时伪标记和扩展的弱-强数据增强进行教学。在 MS-COCO 和 PASCAL VOC 数据集上的实验证明了我们提出的方法优于现有方法。

Mar, 2021

我们提出了一种基于师生对抗框架的半监督目标检测方法，使用区域提议和软伪标签作为学生的训练目标，并使用指数移动平均策略更新教师。相比于最近的最先进技术，我们的模型使用许多建议和软标签向学生暴露了更丰富的信息，并通过使用检测特定数据集合，使教师更可靠地生成伪标签。在 VOC07 验证集上达到了 53.04% 的 COCO-style AP，比 STAC 高出 8.4%，在 MS-COCO 上取得了优于以往工作的表现。

Jun, 2021

本文介绍了一种Unbiased Teacher v2方法，针对半监督目标检测的主要问题，将SS-OD方法推广到anchor-free检测器，引入了Listen2Student机制，收集学生和教师的相对不确定性，避免学生被错误的伪标签指引。该方法在VOC、COCO-standard和COCO-additional三个数据集上的表现优于目前的最先进方法。

Jun, 2022

本文提出基于密集预测的伪标签作为半监督目标检测器的替代方法，即 Dense Pseudo-Label (DPL)，并介绍了区域选择技术，在保留更丰富信息的同时抑制密集标签的噪声，利用 DPL 构建的 Dense Teacher 算法在 COCO 和 VOC 上的性能表现优于基于伪框的方法。

Jul, 2022

本文研究了教师-学生学习的数据初始化问题，并提出了一种称为Active Teacher的新算法，用于半监督目标检测。Active Teacher可以最大限度地利用有限的标签信息来提高半监督的性能。我们在MS-COCO基准测试上进行了大量实验，并将Active Teacher与一组最近提出的半监督目标检测方法进行了比较，结果表明Active Teacher具有较高的性能，并能够在大大减少标签预算的情况下实现完全监督性能，这对于实际应用的数据注释提供了有用的经验知识。

Mar, 2023

本文提出了一种新的半监督目标检测方法，该方法在假标签生成器方面引入了新的学习机制以提高标签生成质量，并介绍了自适应阈值机制和 Jitter-Bagging 模块以提高边界框的精度和定位准确性，通过在教师网络上使用强调重和弱增强数据的严格监督来产生稳健的伪标签，在 MS-COCO 和 Pascal VOC 数据集上表现出色，且只需很少的标记数据即可实现 100％的监督表现。

Jun, 2023

在这篇文章中，我们针对当前最先进的目标检测器Deformable DETR，提出了一种针对少批注学习设置的半监督方法，使用学生-教师架构，在避免依赖教师模型生成的伪标签的敏感后处理的同时进行学习。我们在半监督目标检测基准COCO和Pascal VOC上评估了我们的方法，并在标注稀缺的情况下优于先前的方法。我们相信我们的贡献为在此设置中使用类似的目标检测方法开辟了新的可能性。

Oct, 2023

本文综述了半监督学习在目标检测任务中的27种最新发展，从卷积神经网络到Transformer，探讨了半监督学习的核心组件及其与目标检测框架的集成，包括数据增强技术、伪标签策略、一致性正则化和对抗训练方法，并对各种SSOD模型进行了详细的比较分析，评估其性能和架构差异。旨在引发对克服现有挑战和探索半监督学习在目标检测中新方向的研究兴趣。

Jul, 2024

本研究针对半监督目标检测任务提出了低偏差教师模型，该模型通过将定位损失整合到教师模型中，显著提高了伪标签生成的准确性。研究表明，该模型有效降低了由于类别不平衡和边界框不准确导致的伪标签偏差，最终实现了更高的mAP分数和更可靠的检测结果。

Sep, 2024