本文研究了半监督分割方法，与之前的方法相比，本文的方法在标注预算方面有了重大突破，在使用低标注预算时，我们的方法在语义与实例分割方面表现优于弱监督方法，并在较小的标注成本下优于以往的半监督方法。同时，我们通过考虑总的标注预算，将弱监督和半监督方法结合在一起，从而更公正地比较各种方法。我们在 Pascal VOC 基准测试上展示了结果。

May, 2019

提出了一种基于弱监督的实例分割方法，使用条件分布来建模伪标签生成过程中的不确定性，通过联合概率学习目标来最小化两个分布之间的差异，实现了在 PASCAL VOC 2012 数据集上优于最优基线 4.2％ [email protected] 和 4.8％ [email protected] 的最新效果。

Jul, 2020

本文中，我们提出了一种新的一致性正规化方法，名为交叉伪监督（CPS），通过探索有标签数据和额外的未标记数据来研究半监督语义分割问题。在城市风景和PASCAL VOC 2012上，我们的方法实现了半监督分割性能的最新水平。

Jun, 2021

本文提出了一种分布对齐与随机采样方法(DARS), 用于生产能够匹配标记数据的真实分类分布的无偏伪标签，同时也提出了一种渐进式数据增强和标签策略，以促进使用伪标签训练模型。实验结果表明，该方法在Cityscapes和PASCAL VOC 2012数据集上的表现优于现有的前沿方法。

Jul, 2021

本文研究半监督实例分割问题，提出了一种通过引入伪标签的方法，构建包含噪声的像素级标签的半监督实例分割框架，并在框架中同时提出抵制和利用噪声边界的方法，通过大量实验表明该方法的性能优于基线方法。

Mar, 2022

Polite Teacher使用相互学习框架，结合有限的监督信息和无标定实例，通过confidence thresholding和mask scoring来过滤噪声，进而在anchor-free detector上提高了8%的mask AP值，这是关于半监督实例分割问题的首个anchor-free解决方案。

Nov, 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

通过引入新颖的“引导燃烧”阶段的教师-学生蒸馏模型以及评估不同的实例分割架构、骨干网络和预训练策略，我们改进了蒸馏方法，并利用未标记数据在引导燃烧阶段中进行了指导，从而显著提高了先前最先进的结果。

Aug, 2023

通过模拟不同噪声条件，对不同分割任务中实例分割模型的鲁棒性和泛化能力进行了评估，引入了COCO-N和Cityscapes-N作为强注释噪声的实验场景。同时，提出了利用基础模型和弱标注来模拟半自动标注工具和其噪声标签的COCO-WAN基准，以研究各种模型生成的分割掩膜的质量，并质疑了常用的处理标签噪声学习的方法的有效性。

Jun, 2024

提出了一种新的自我训练网络InsTeacher3D，用于从无标签数据中探索和利用纯实例知识，通过实例一致性正则化实现半监督的3D实例分割，结果显示InsTeacher3D明显优于先前最先进的半监督方法。

Jun, 2024