本文提出了一种基于多级自监督学习模型的语义分割域自适应方法，通过分割多个子图像来生成空间独立且语义一致的伪标签，并计算图像级伪弱标签来捕捉源域和目标域中的全局上下文相似性，从而在像素数很少（例如小物体）的情况下帮助潜在空间学习表示。该方法在 GTA-V 到 Cityscapes 和 SYNTHIA 到 Cityscapes 的适应中均取得了优于现有方法的性能表现。

Sep, 2019

提出增强图卷积网络（AGCN++）并使用部分标签编码器（PLE）对多标签连续学习（MLCL）进行跨任务标签关系构建、避免灾难性遗忘等处理，实验结果表明该方法是有效的。

Nov, 2022

文章提出了一种利用一些有限的像素注释数据和一些无标签数据进行半监督语义分割的方法，并在 PASCAL VOC 2012，PASCAL-Context，和 Cityscapes 数据集上实现了最新的半监督学习的最佳性能。

Aug, 2019

本文研究了利用结构化语义相关性来解决多标签学习中的缺失标签问题，通过构建语义图，将语义相关性加入多标签学习公式中，提出的方法在四个基准数据集上优于现有的多标签学习方法。

Aug, 2016

使用多标签自监督学习（MLS）方法，通过将场景 / 多标签图像的自监督学习简化为多标签分类问题，我们可以学习到高质量的图像表示，该方法在 MS-COCO 上获得了分类、检测和分割方面的最先进结果，并且比现有的方法简单易用，便于部署和进一步探索。

Aug, 2023

Scalable Label Distribution Learning (SLDL) is proposed for multi-label classification, where different labels are described as distributions in a latent space with asymmetric correlation, independent of the number of labels, resulting in little computational consumption.

Nov, 2023

利用主动标签修正（ALC）框架和基础模型，通过纠正像素的伪标签来提高语义分割模型训练和验证的效果。在 PASCAL、Cityscapes 和 Kvasir-SEG 数据集上的实验结果证明了我们的 ALC 框架的有效性，优于传统的主动语义分割和标签修正方法。

Mar, 2024

提出一种基于多层级知识蒸馏技术的轻量级半监督语义分割模型，采用标注数据和未标注数据的协同蒸馏方案，结合像素级一致性约束、语义感知层次损失和内容感知区域损失等多层次损失策略，从多个角度对模型知识进行精炼，能够在消耗更少的运算资源和更小的模型体积下取得同类模型不可比的性能提升。

Aug, 2022

该论文提出了一种 Pseudo Contrastive Learning (PCL) 的通用框架，该框架通过生成可靠的对比对来解决生成高质量伪标签的问题，通过对负样本进行 dropout 来实现数据增强。 最终，实验证明该方法在五个真实世界的图上均优于其他普遍技术。

Feb, 2023

基于理论分析和经验实验证明，特征提取层和线性分类层在响应伪标签时具有不同的学习行为。我们开发了两种层特定的伪标签策略：Grad-ReLU 可以通过在线性分类层中消除伪标签的梯度不利影响来减轻噪声伪标签的影响，Avg-Clustering 可以通过整合一致输出来加快特征提取层向稳定聚类中心的收敛速度。我们的方法 LayerMatch 集成了这两种策略，可以避免线性分类层中噪声伪标签的严重干扰，同时加速特征提取层的聚类能力。经过大量实验，我们的方法在标准半监督学习基准上始终展现出卓越的性能，相对基准方法提升了 10.38%，相对最先进的方法提升了 2.44%。

Jun, 2024