利用标记信息指导非标记示例的学习，通过三个操作进行语义分割的半监督学习，包括相似标记 - 非标记图像对的插值，互信息的转移以及伪面具的泛化。在 PASCAL VOC 2012 和城市景观上的大规模实验中，与先前的方法相比，GuidedMix-Net 取得了竞争性分割准确性，并显着提高了平均交集联合（mIoU）比先前的方法高 7％。

Dec, 2021

本篇论文从分布级别和实例级别两个不同但互补的视角提出了一个简单而有效的 LabelMatch 框架，用于解决自我训练期间存在的标签不匹配问题，并通过 Proposal Self-assignment 机制确定准确的伪标签来促进学生和教师之间的匹配。在 MS-COCO 和 PASCAL-VOC 数据集上的实验结果表明，所提出的框架明显优于其他现有方法。

Jun, 2022

本文提出了一种基于混合数据的指导式半监督分割方法 GuidedMix-Net，并利用标记数据指导未标记数据的学习，该方法采用特征对齐和互信息传输的方法进行特征融合，同时提出伪标签生成模块用于生成高质量伪标签，联合训练标记数据和伪标签，实验验证了该方法在各种数据集中取得了具有竞争力的分割精度和显着改进的 mIoU。

Jun, 2021

利用多个伪标签进行半监督医学图像分割，可以提高模型性能和泛化能力。验证结果显示，这种新方法在几个医学图像数据集上的表现明显优于现有方法。

May, 2024

本文提出了一种基于深度学习的半监督知识蒸馏方法，通过标注和未标注的数据进行数据训练，建立了一个包含教师和学生网络的 Mask-guided Mean Teacher framework with Perturbation-sensitive Sample Mining (MMT-PSM)。实验表明，该方法相对于只学习标注数据的监督方法和最先进的半监督方法，显著提高了性能。

Jul, 2020

通过引入一种双重策略来增强教师模型的训练过程，从而显著改善少样本学习，同时提出一种校准校正机制，使学生模型能够纠正教师的校准错误。实验结果在 LVIS 数据集上表现出显著的提升，平均精度（AP）提高了 2.8％，稀有类别的 AP 提高了 10.3％。

Mar, 2024

提出了一种半监督分割的新方法，使用少量标记数据和对未标记图片与参考像素匹配的方式生成分割标记，可以减少标记工作量，提高现有方法的性能和鲁棒性。

Dec, 2021

本文介绍了一种基于半监督学习的医学图像分割方法，利用弹性变形实现了对有标签和无标签图像的变换一致性学习，通过在公共数据集上的测试，该方法达到了与同类方法相当的性能表现，并且使用了大为较少的有标签数据。

Nov, 2019

基于平均教师模型的双解码器一致性伪标签引导数据增强方法（DCPA），结合一致性正则化、伪标签和数据增强，以增强半监督分割的效果。通过学生模型和教师模型，共享编码器和两个不同的解码器，增加学生模型训练时的一致表示生成，通过混合数据实现数据增强，并利用教师模型生成伪标签进行无监督损失计算。与六种半监督方法在三个公开医学数据集上进行对比，实验证明我们的方法在三种半监督设置下一致优于现有的半监督医学图像分割方法。

Aug, 2023

对医学图像分类应用进行的研究表明，使用未标记的数据可以提高分类器的性能，通过自监督学习和半监督学习的方法，本研究在医学图像领域设计了一个基准测试，发现 MixMatch、SimCLR 和 BYOL 方法是强有力的选择，并提供适用于新医学任务的设置以及进一步搜索的方法。

Jul, 2023