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

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

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

本文章提出了一种新颖的基于置信度的跨伪监督学习算法，用于在医学图像分割任务中增强未标记数据的伪标签质量并进行域自适应。该方法可在不使用域标签的情况下，提高 Dice-score 性能，超过使用域标签的先前研究成果。

Jan, 2022

基于卷积神经网络的监督学习算法已成为医学图像分割任务的基准，但其效果严重依赖于大量标记数据。受到半监督算法的启发，利用有标签和无标签的数据进行训练，我们提出了 PLGDF 框架，用于使用较少注释的医学图像进行分割。我们提出了一种新颖的伪标签利用方案，将有标签和无标签的数据有效地合并到数据集中。此外，我们在分割网络的解码器模块中强制保持不同尺度之间的一致性，并提出了适用于评估一致性的损失函数。此外，我们在预测结果上应用了锐化操作，进一步提高了分割的准确性。在三个公开数据集上进行了大量实验证明，PLGDF 框架能够通过融合无标签数据显著提高性能。与六种最先进的半监督学习方法相比，我们的框架具有优越的性能。本研究的代码可以在 https URL 获取。

Nov, 2023

提出了一种新的 Context-aware Conditional Cross Pseudo Supervision，可用于半监督医学图像分割，具有条件的跨伪监督机制和上下文感知，能够在后期训练阶段集中学习难分割的器官，并在挑战性的医学图像分割任务中超过现有的方法。

Jun, 2023

本文提出一种基于双分类器（DC-Net）的交叉监督学习框架，包括证明分类器和香草分类器，各具特色，能够有效处理分歧，并为无标签数据生成更稳健和准确的伪标签，同时将证明分类器的不确定估计结合到交叉监督训练中以减轻错误监督信号的负面影响，试验证明该方法优于其他半监督分割的最新研究成果。

May, 2023

本文提出了一种新的 Compete-to-Win 方法（ComWin）来增强伪标签的质量，通过比较不同网络产生的多个置信度图并选择最有信心的一个来产生高质量伪标签，并结合边界感知增强模块在接近边界的区域进一步优化伪标签，该方法在三个公共医学图像数据集上实验表明具有最佳性能。

Apr, 2023

CrossMatch 是一种新颖的框架，通过与双扰动策略（图像级和特征级）结合使用知识蒸馏技术，从标记和未标记数据中提高模型的学习能力，通过生成多样化的数据流进行自知识蒸馏，从而在医学图像分割中显著优于其他最先进的技术，在标准基准测试中有效地缩小训练差距，提高边缘精度和泛化性能。

May, 2024

本研究介绍了一种半监督框架，通过一个辅助模型和一个自我纠正模块，在只有一小部分完全有监督图像的基础上，使用具有目标边界框标签的图像和只有目标边界框标签的图像集（称为弱集），训练出高质量的语义分割模型，这种方法比传统大量完全有监督数据模型要求的标注工作量减少～7 倍。

Nov, 2018