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

本文深入研究了半监督目标检测（SSOD）中的两个关键技术，即伪标记和一致性训练，并提出了针对它们的一些问题的解决方案。在 COCO 基准测试中，我们的方法 PseCo 在 1％、5％和 10％标记比下的性能分别超过了 Soft Teacher 的 2.0，1.8 和 2.0 个点，且 SSOD 的学习效率显着提高。

Mar, 2022

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

本文提出一种动态自适应阈值策略，同时考虑伪标签的质量和数量，并提出一种模块计算单级检测器的伪标签回归不确定性，仅使用来自 COCO 的 10％标记数据，我们的方法在基于锚点和无锚点的检测器（RetinaNet 和 FCOS）上实现了 35.0％AP 和 32.9％。

Apr, 2022

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

通过在线自训练和分割融合头以减少预训练视觉语言模型生成的噪声伪标签并提高开放词汇目标检测性能。

Aug, 2023

本文提出一种基于弱监督实例级别分割网络的伪真实目标掩模递归估计和自顶向下分割反馈来提高目标检测性能的方法。

Mar, 2018

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