本文提出了一种新的 Pseudo-Labeling 半监督三维目标检测框架，通过引入 STE 和 CBV 模块提高了教师模型的性能，同时提出了 BCL 软监督信号来减小错误样本对训练的负面影响。实验证明，在 ONCE 和 Waymo 数据集上，我们的方法显著提高了基线，同时在 Waymo 数据集上，只使用了一半的注释即可超过完全注释的 oracle 模型。

Jul, 2022

半监督学习能够通过利用未标记的数据显著提高模型性能，然而，现实世界的未标记数据往往包含看不见类别的样本，这可能阻碍对已知类别的分类。为解决这个问题，我们引入了一个名为 Diverse Teacher-Students (DTS) 的新型框架，该框架利用双师生模型分别有效处理这两个任务，通过训练两个师生模型使用所有未标记样本，DTS 能够提高已知类别的分类性能，同时改善看不见类别的检测。

May, 2024

本文介绍了一种名为 Collaborative Self-Supervised Learning（ColloSSL）的新技术，利用用户多个设备收集的未标记数据来学习数据的优质特征，实验结果表明，ColloSSL 在多个实验设置中均优于全监督和半监督学习技术，与最佳基准测试成绩相比，F_1 得分的绝对增量最高达 7.9％；此外，ColloSSL 在低数据情况下也表现优异，仅利用最佳情况下可用的十分之一的标记数据即可优于全监督方法。

Feb, 2022

利用半监督物体检测方法 (SSOD) 的 Collaboration of Teachers Framework (CTF) 可以提高未标记数据的利用率，避免伪标签的循环数据流确认偏差，并且可以与其他主流 SSOD 方法集成。

May, 2024

本文介绍一种基于一致性方法来改善半监督学习（SSL）效果的新模型 —— 双生学生（Dual Student），它将原模型中的教师模型替换为另一个学生模型；还引入了一个新的概念 —— 稳定样本，利用它来设计一个稳定约束以便于模型的训练；本文还讨论了新模型的两种变体，并在 SSL 基准测试中对其进行了广泛的实验，证明了本文提出的新模型可以显著提高分类性能和领域适应性。

Sep, 2019

利用时空元信息提高伪标签的质量以及最终模型的性能，我们提出了一种名为时空半监督学习（Spatiotemporal SSL）的框架，通过在训练集上仅将元信息应用于教师模型以改善伪标签的质量，使学生网络在测试时对时空变化具有不变性，并引入了一种新的蒸馏机制以增强教师和学生之间的知识传递。

Apr, 2024

本文提出了一种使用 Wi-Fi 信号中的信道状态信息进行人体存在检测的深度学习模型，并结合静态特征以提高静态状态下检测的准确性，在一系列的评估中展示出比其他模型更高的准确率且更具稳定性。

Apr, 2023

本研究中，我们利用自监督学习范式 (SSL) 来学习未标记数据的深层次特征表达，提出了一种用于人类活动识别的动态时间规整 (DTW) 算法，强制特征在时间维度上对齐。我们的实验结果显示，该方法对于单一模态和多模态的情况均具有学习稳健特征表达的潜力，并在半监督学习中明显优于监督模型。

Oct, 2022

本文通过使用无线电波通信的 WiFi 接入点提供的信道状态信息，设计了一个无需摄像头设备的人体检测系统，通过提取时间序列中的特征，并使用动态和静态（DaS）数据预处理技术来提取人的运动和空间特征，利用投票机制解决了房间隔板带来的信号衰减问题，使得我们的 TCD-FERN 系统在多个房间环境下使用较少的 WiFi 接入点就可以有效地实现人体检测。

Apr, 2023

本文提出了一种基于 SSL（半监督学习）来训练物体检测系统的方法，该方法利用之前从已标注数据集中训练出来的网络来对未注解的数据进行自动标记，并且通过基于共生矩阵分析的重新对齐方法将有价值的标记转移到未标记数据，实验结果表明，使用这种方法可以在不增加模型参数或修改网络架构的情况下，提高现有最先进物体检测器的性能。

Feb, 2018