通过检查训练过程中的预测一致性，我们提出了一种自信度评估方法，用于半监督学习场景下在大部分训练标签不可用的情况下合理地估计模型对未标记样本的自信度。我们使用训练一致性作为替代函数，并提出了一种一致性排序损失函数用于自信度评估。在图像分类和分割任务中，我们的方法实现了自信度评估的最新性能。此外，我们通过一个下游主动学习任务展示了所提方法的好处。

Jul, 2023

本研究提出了一种新的损失函数 AdaFace，它可以基于图像质量加重不同难度的样本，通过用特征范数来近似图像质量，从而提高人脸识别性能。

Apr, 2022

本文提出了一种名为自适应均衡学习（AEL）的半监督语义分割新框架，旨在应对 Cityscapes 数据集中某些特定类别性能较差（即长尾标签分布），通过自信度相应动态调整训练，包括数据增广、数据采样等策略，实验证明其优于同类方法，并在多种数据划分协议下在 Cityscapes 和 Pascal VOC 基准测试中取得了显著的性能提升。

Oct, 2021

通过半监督深度学习与主动学习相结合的方法，使用尽可能少的标记样本，同时利用熵最小化对未标记样本进行训练，在 MNIST 数据集上仅使用 300 个标记样本实现 2.06% 的误差率和 1000 个标记样本实现 1.06% 的误差率。该方法可以获得高准确性的敏捷标注过程，同时节省标记成本。

Mar, 2018

我们提出了一种新颖的置信度细化方案，通过将伪标签在半监督语义分割中加强。与当前主流方法不同，我们的方法不仅孤立地过滤具有低置信度预测的像素，还通过将相邻像素进行分组并综合考虑它们的伪标签，利用分割图中标签的空间相关性。借助这些上下文信息，我们的方法 S4MC 在保持伪标签的质量的同时，增加了在训练期间使用的未标记数据量，而计算开销几乎可以忽略不计。通过在多个标准基准上进行广泛实验，我们证明了 S4MC 优于现有先进的半监督学习方法的性能，为降低获取密集注释的成本提供了有希望的解决方案。例如，在具有 366 个带有注释图像的 PASCAL VOC 12 上，S4MC 相对于之前的先进方法达到了 1.29 个 mIoU 的提高。我们提供了复现我们实验的代码，位于此 https URL。

Aug, 2023

通过自适应样本挖掘方法，实现了在面部表情识别中对于模糊性和噪声的动态处理，包括自适应阈值学习、样本挖掘和三重正则化模块，该方法能够有效地挖掘模糊性和噪声，并在合成噪声和原始数据集上优于目前最先进的方法。

Oct, 2023

文章提出了一种新方法，使用区域下的边缘（AUM）统计量识别训练集中的错误标记数据，并通过添加一个带有特定错误标记样本的额外类来学习 AUM 上限以分离标记错误的数据。在 WebVision50 分类任务中，该方法去除了 17％的训练数据，产生了 1.6％（绝对）的测试误差改进，在 CIFAR100 上删除 13％的数据可导致 1.2％的误差下降。

Jan, 2020

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

该论文提出了一种新颖的低置信度样本挖掘方法（Low-Confidence Samples Mining，LSM），该方法能够有效地利用低置信度的伪标签实现半监督目标检测（SSOD），并通过自蒸馏的方法弥补两者的不足，该方法在 5% 标注比率下，相对于最先进的方法，在 MS-COCO 基准测试中提高了 3.54％的 mAP。

Jun, 2023

通过 KappaFace 算法和 von Mises-Fisher 分布相结合，提出了一种考虑类不平衡问题的大规模人脸识别方法，该算法有效提高了深度人脸识别的性能。

Jan, 2022