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

通过采用可信教师模型，本研究提出了一种端到端框架，使用灵活的标签来防止不确定的伪标签对模型的误导，逐步减少其不确定性，并通过其他可信伪标签的指导有效地抑制 O-SSOD 引起的负面影响，并且在实证结果中显著优于现有的对应模型。

Jan, 2024

我们提出了一种利用师生网络 (SSOD-AT) 来增强遥感图像半监督目标检测 (SSOD) 的新型主动学习 (AL) 方法，该方法利用 RoI 比较模块 (RoICM) 生成高置信度伪标签，同时使用 RoICM 识别不确定度前 K 个图像，并引入多样性准则来减少人工标注中的冗余。实验证明，我们的方法在遥感图像中的目标检测方面优于现有方法。

Feb, 2024

为了确保自主驾驶平台的安全行驶，除了开发高性能的物体检测技术外，还需要建立一个反映各种城市环境和物体特征的多样化和代表性的数据集。为了解决这两个问题，我们构建了一个多类别的 3D LiDAR 数据集，反映了多样化的城市环境和物体特征，并开发了基于多个教师框架的强大的 3D 半监督目标检测器。我们提出了一种简单而有效的增强技术，基于饼状点补偿（PieAug）的增强，以使教师网络生成高质量的伪标签。对 WOD、KITTI 和我们的数据集进行的大量实验验证了我们提出的方法的有效性和数据集的质量。实验结果表明，我们的方法始终优于现有的最先进的 3D 半监督目标检测方法。我们计划在不久的将来在我们的 Github 存储库上发布我们的多类别 LiDAR 数据集和源代码。

May, 2024

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

本文提出了一种新的基于知识蒸馏方法的半监督目标检测算法 (Temporal Self-Ensembling Teacher)，通过时间上的集成与损失函数中的一致性约束等方法提高了模型多样性和泛化能力，同时解决了数据分布不平衡和教师模型预测和学生模型预测高度相似产生的问题，在 VOC2007 数据集上取得了 80.73% 的 mAP 值，并在 COCO2014 数据集上达到了 40.52% 的 mAP 值，性能优于强有力的完全监督方法，并在 SSOD 目标检测领域取得了新的最优性能。

Jul, 2020

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

本文提出了一种半监督的端到端目标检测方法，采用渐进的端到端训练来提高伪标签的质量，并在 COCO 基准测试中通过采用两种简单而有效的技术进行了改进，使得在不同的标记比率下（1%，5% 和 10%）皆性能优于以往方法，并且在有大量标记数据的情况下也表现良好。

Jun, 2021

本研究探讨了半监督目标检测模型中伪目标的不一致性问题，提出了一种名为 ConsistentTeacher 的系统性解决方案，通过自适应锚定分配、三维特征对齐模块和高斯混合模型等步骤，可以有效减少伪标签带来的噪声和不准确性，提高模型精度。

Sep, 2022