本文提出了一种弱 / 半监督目标检测框架 (WSSOD)，通过在联合数据集上训练代理检测器，进而在弱标注图像上预测伪包围框，提出了弱监督损失 (WSL)、标签注意力和随机伪标签采样策略来放宽当前半监督流程的假设，并为检测管道的有效性带来额外的改进。这个框架在 PASCAL-VOC 和 MSCOCO 基准测试中展示了显著的性能，只有三分之一的注释数据就能达到与完全监督相同的高性能。
May, 2021
我们在遥感图像目标检测中探讨了一种在未筛选的未标记数据上进行半监督学习的方法，该方法使用标记的分布数据动态构建类别特征库，并通过与特征库中的条目进行比较计算 OOD 分数，有效过滤 OOD 样本。通过在 DIOR 和 DOTA 两个广泛使用的遥感目标检测数据集上进行的实验，我们证明了我们提出的方法在 RSIs 中实现开放集半监督目标检测方面具有卓越的性能和效果。
Oct, 2023
提出一种新的 WSOD 框架，通过采用 W2N 范式将弱监督转换为噪声监督，提供了一个两模块迭代训练算法来改善用于监督半监督检测框架的伪标签，并获得更好的物体检测器。
Jul, 2022
本研究提出了一个框架，名为 SoS，旨在利用 WSOD 的潜在监督信号，其中包括图像级标签、伪标签和半监督物体检测。在实验中，SoS-WSOD 方法在 VOC2007，VOC2012 和 MS-COCO 上取得了显著的改进和较高的性能，并且具有快速推断速度。
Jun, 2021
在目标检测中，提出了半监督领域通用目标检测（SS-DGOD）和弱监督领域通用目标检测（WS-DGOD）两种新的问题设置，利用师生学习框架在仅使用来自一个领域标记数据和来自多个领域的无标记或弱标记数据进行训练，并证明了在此设置下训练的目标检测器明显优于基线检测器，并与无监督领域自适应（UDA）设置下训练的目标检测器性能相媲美或更好，同时与 UDA 相比，不需要使用目标领域数据进行训练。
本文提出一种弱监督检测变换器 (Weakly Supervised Detection Transformer) 方法，通过利用大规模预训练数据集的知识，实现对百余种新颖物体的检测，并优化多实例学习框架，从而在大规模新颖物体检测数据集上优于现有模型，在 WSOD 预训练中类别数量比图像数量的重要性更大。
本文综述了半监督目标检测的五个方面，包括数据增强、数据标注、损失函数和常见基准数据集等。通过对各种方法的比较和分析，为读者提供了对该领域研究现状和未来发展方向的深入了解。
Jun, 2023
本研究提出了一种名为 SS-OWOD 的半监督开放世界检测方法，该方法通过减少注释成本，利用特征对齐和伪标签策略在遥感物体检测中取得了良好的效果。
Feb, 2024
使用文本描述来训练文本分类器，并从中获取足够的信息进行目标实例的弱监督检测，从而实现对于大量自由上传图像信息数据的有效物体定位。
Jul, 2019
本研究提出了一种基于 Out-of-Distribution 数据的方法 W-OoD，通过发掘分类器的假阳性预测及其背景特征，以识别前景与背景，进而提高弱监督语义分割的性能，并在 Pascal VOC 2012 上实现了最佳表现。
Mar, 2022