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

本文介绍了一种互动训练（Dynamic Mutual Training，DMT）的方法，可以通过两种不同模型之间的互动来确定伪标签的错误，从而提高半监督学习的性能。在图像分类和语义分割任务中，DMT均取得了最新的表现。

Apr, 2020

本文研究半监督物体检测(SS-OD)中的伪标签偏差问题并引入一种名为“Unbiased Teacher”的方法，通过对过度自信的伪标签进行分类均衡损失，共同训练一个学生和逐渐进步的老师，最终在COCO标准、COCO附加和VOC数据集上使现有的最先进方法显著提高6.8绝对mAP，当只使用0.5、1、2％的标记数据时，相对于有监督的基线，实现了约10 mAP的提高。

Feb, 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

提出一种 CA-SSL 框架，采用分离训练策略，包括热身训练阶段，在保留定位训练信号的同时忽略伪标签中的类信息，实现了从未标注的数据中提取训练信号的最优平衡；在 FCOS 目标检测等任务上，相比于 ImageNet 预训练基线模型，该模型在 3.6M 无标注数据集上实现了 4.7％ 的显著性能提升。

Dec, 2021

本研究提出了一种通过利用熵值对可靠像素和不可靠像素进行分类，再进一步将不可靠像素分配为负样本，从而对无标签数据进行半监督语义分割的有效策略

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

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

PAIS是一种新的框架，针对半监督实例分割问题，通过调整半监督损失项的权重，使得伪标签包含宝贵信息不被过滤掉，实验证明，PAIS在标注数据极为有限的情况下具有很大的潜力，仅有1%的标注数据时，基于Mask-RCNN的PAIS在COCO数据集上获得21.2 mAP（超过当前最先进模型NoisyBoundary 7.7 mAP的12个百分点），基于K-Net的PAIS获得19.9 mAP。

Aug, 2023

该研究论文介绍了一种名为双教师的简单而有效的方法，利用双临时教师解决了学生和教师权重耦合的问题，通过定期生成伪标签训练学生模型并保持不同特征，以显著缩短训练时间，并证明了该方法适用于各种模型。

Oct, 2023