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

本文提出了一种基于生成伪标签和对抗学习技术的无源目标检测方法，将目标域划分为相似子集和不相似子集，并通过平均教师框架中的对抗模块来提高伪标签的质量，实验表明该方法在跨域目标检测方面表现优异。

Jan, 2023

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

我们提出了自适应教师（AT）框架来解决使用教师 - 学生框架进行目标检测的半监督学习中由于域差异而产生的问题，AT 利用领域对抗学习和弱 - 强数据增强来缓解这一问题。

Nov, 2021

本文提出了一种名为 Probabilistic Teacher（PT）的简单但有效的框架，通过从逐渐演变的 “老师” 中捕捉未标记目标数据的不确定性来引导学生的学习，从而优化了无监督域适应目标检测任务的性能并提出了 Entropy Focal Loss（EFL）以进一步加强不确定性引导的自训练方法，结果表明 PT 在多个基准测试中均超过以往工作的表现并取得了最新的最佳结果。

Jun, 2022

基于原型的均值教师（PMT）是一种新颖的多源领域适应方法，通过使用类原型而非特定于域的子网络来保持域特定信息，并使用对比损失来对不同类别进行对齐和分离，从而减小了参数大小与源域数量的关系，降低了内存问题和可能的过拟合，并在多个具有挑战性的物体检测数据集上优于现有的多源领域适应方法。

Sep, 2023

我们提出了一种用于视频目标检测的简单而有效的无源域自适应方法，STAR-MT。通过改进 YOLOV 方法，在包括噪声、气流湍流和雾霾等恶劣图像条件下，我们的方法始终提高了视频目标检测性能，展示了其在现实世界应用中的潜力。

Apr, 2024

我们提出了一种新的方法来充分利用伪标签，通过引入高和低置信度阈值，使用 Proposal Soft Training (PST) 和 Local Spatial Contrastive Learning (LSCL) 模块来利用低置信度的伪标签，进一步优化了代表性特征。实验证明，我们的方法在五个跨领域目标检测基准上表现优于以前的 Source-free object detection (SFOD) 方法，实现了最先进的性能。

Oct, 2023

该研究提出了一种针对遥感图像的实际无源目标检测方法，通过扰动域生成和多层次对齐实现目标域适应，验证了该方法的有效性，并表明该方法可以扩展到其他领域。

Jan, 2024

在跨领域目标检测中，本文引入了一种名为 Versatile Teacher (VT) 的新型教师 - 学生模型，通过考虑类别特定的检测难度并采用两步赋值机制，生成更可靠的伪标签，将其作为显著性矩阵来引导区分器进行有针对性的实例级对齐，取得了有希望的实验结果，并扩展了广泛使用的一阶检测器的对齐方法，具有重要的实际应用潜力。

May, 2024