本论文涉及基于区域的检测器，使用卷积网络实现高效的物体检测，使用位置敏感的得分图解决分类中的平移不变性和物体检测中的平移可变性的问题，可自然地采用全卷积图像分类器骨干网进行物体检测，以101层残差网络(ResNet)在PASCAL VOC数据集上取得83.6%mAP的竞争性结果，测试时间为每张图像170ms，比Faster R-CNN快2.5-20倍。

May, 2016

本研究使用深度卷积神经网络结合期望最大值方法解决仅提供图像级标签时的目标检测问题，在PASCAL VOC 2007基准测试集中，实验结果表明，我们的方法在弱监督下，较现有最先进方法有明显的性能优化，并且在使用少量实例标注图片的情况下，基本可以达到完全监督模型的检测表现。

Feb, 2017

Sparse R-CNN是一种用于图像中目标检测的纯稀疏方法，通过固定的稀疏一组学习目标建议代替手动定义的物体候选框，并直接输出最终预测结果，表现优于基线模型，可用于COCO数据集等。

Nov, 2020

我们提出了一种基于点注释的弱监督目标检测方法，并引入了 Point DETR 模型进行训练，实验结果表明该方法在 MS-COCO 数据集上使用 20% 的样本标注数据时（fully labeled data），取得了 33.3 AP 的性能，比 FCOS 强基线模型高出 2.0 AP；同时，点注释在各类 AR 指标上可提高 10 个点以上。

Apr, 2021

本文提出了一种弱/半监督目标检测框架(WSSOD)，通过在联合数据集上训练代理检测器，进而在弱标注图像上预测伪包围框，提出了弱监督损失(WSL)、标签注意力和随机伪标签采样策略来放宽当前半监督流程的假设，并为检测管道的有效性带来额外的改进。这个框架在PASCAL-VOC和MSCOCO基准测试中展示了显著的性能，只有三分之一的注释数据就能达到与完全监督相同的高性能。

May, 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

本文提出一种基于区域的半监督算法，用于解决稀疏标注数据中缺失标注信息的物体检测问题，实验表明该算法在PASCAL-VOC数据集中取得了最优性能。

Jan, 2022

本文提出了一种名为WSSIS的学习方法，使用点标签实现高效的实例分割，同时引入MaskRefineNet来处理少量标签数据的情况，并在COCO数据集上进行了丰富的实验，获得了比当前半监督方法更好的表现(33.7% vs. 24.9%)，代码提供在https URL上。

Mar, 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