本文提出了 SCP-Net 方法，利用多个输入源提高一致性学习中预测的多样性，结合半监督方法和自我感知一致性学习方法，提高伪标签的紧致性和可靠性。实验表明，SCP-Net 可以优于其他半监督分割方法，相比于有限的有监督训练，可以显著提高性能。

May, 2023

提出了一种名为 PCLMix 的新型弱监督医学图像分割框架，通过引入动态混合增强、像素级对比学习和一致性正则化策略，解决了弱监督图像分割中局部到全局区域的准确传播监督信号的挑战，并成功缩小了弱监督和全监督分割方法之间的差距。

May, 2024

本研究提出了 Evidential Prototype Learning (EPL) 方法，利用扩展的概率框架有效融合来自不同来源的体素概率预测，并在广义证据框架下实现标记和未标记数据的样本融合利用，利用体素级双不确定性掩膜。该方法在 LA、胰腺 CT 和 TBAD 数据集上进行了实验，以三种不同标记比率实现了最先进的性能，充分证明了我们的策略的有效性。

Apr, 2024

本研究提出了一种用于半监督医学图像分割的元学习方法，通过先使用少量干净标记图像进行训练来生成未标记数据的初始标签，并引入基于损失梯度方向的像素权重映射系统来进一步优化引导过程。此外，还引入了一种一致性伪标签增强方案来提高模型自身预测的质量，并通过引入平均教师来减少噪声并稳定权重映射的生成过程。实验结果表明，所提出的方法在半监督任务下取得了最先进的结果。

Jul, 2023

本文提出了一种原型混合模型 (PMMs)，该模型利用期望最大化算法从有限的支持图像中提取通道和空间语义，从而在激活查询图像中的物体的同时抑制背景区域，这种方法在 MS-COCO 数据集上 5-shot 分割性能提高了 5.82%。

Aug, 2020

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

在多标签图像分类任务中，我们提出了一种名为 Probabilistic Multi-label Contrastive Learning (ProbMCL) 的新框架，通过结合有监督对比学习和混合密度网络来解决现有方法中的挑战，并在计算机视觉和医学影像领域的数据集上验证了其有效性和低计算成本。

Jan, 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

通过引入样本对间对比学习和原型 - 样本对比学习，提出了一种新颖的语义感知双对比学习框架，通过联合训练三个模块，准确捕捉与图像内容相关的判别性标签级特征，并在五个具有挑战性的大规模公共数据集上实验证明了该方法的有效性优于现有技术。

Jul, 2023

提出了一种基于校准的双原型对比学习方法，用于减少学习类别无关特征与不同域原型之间的域差异，对于域泛化语义分割，通过不确定性引导的对比学习和加权对比学习来校准原型权重，实验证明该方法在域泛化语义分割任务上具有优越性能。

Sep, 2023