我们提出了自适应教师（AT）框架来解决使用教师 - 学生框架进行目标检测的半监督学习中由于域差异而产生的问题，AT 利用领域对抗学习和弱 - 强数据增强来缓解这一问题。

Nov, 2021

我们提出了一种新颖的基于对抗学习和 mean-teacher 框架的类感知跨域检测变换器，通过引入 IoU 感知预测分支、动态类别阈值细化和实例级类感知对比学习模块来解决跨域适应中的标签不足、类不平衡和模型性能下降的问题。实验证明，我们的方法在改善性能和减轻类别不平衡问题方面效果显著优于现有的基于变换器的方法。

Jan, 2024

半监督学习能够通过利用未标记的数据显著提高模型性能，然而，现实世界的未标记数据往往包含看不见类别的样本，这可能阻碍对已知类别的分类。为解决这个问题，我们引入了一个名为 Diverse Teacher-Students (DTS) 的新型框架，该框架利用双师生模型分别有效处理这两个任务，通过训练两个师生模型使用所有未标记样本，DTS 能够提高已知类别的分类性能，同时改善看不见类别的检测。

May, 2024

我们提出了一种基于师生对抗框架的半监督目标检测方法，使用区域提议和软伪标签作为学生的训练目标，并使用指数移动平均策略更新教师。相比于最近的最先进技术，我们的模型使用许多建议和软标签向学生暴露了更丰富的信息，并通过使用检测特定数据集合，使教师更可靠地生成伪标签。在 VOC07 验证集上达到了 53.04% 的 COCO-style AP，比 STAC 高出 8.4%，在 MS-COCO 上取得了优于以往工作的表现。

Jun, 2021

本文提出了一种名为 Probabilistic Teacher（PT）的简单但有效的框架，通过从逐渐演变的 “老师” 中捕捉未标记目标数据的不确定性来引导学生的学习，从而优化了无监督域适应目标检测任务的性能并提出了 Entropy Focal Loss（EFL）以进一步加强不确定性引导的自训练方法，结果表明 PT 在多个基准测试中均超过以往工作的表现并取得了最新的最佳结果。

Jun, 2022

提出了一种基于平均教师框架的端到端跨域检测 Transformer，该方法可以利用未标记的目标领域数据进行目标检测训练，并通过伪标签在领域之间传输知识。通过多层次特征对齐和优化迭代，实现了在三种领域适应场景下实现了最先进的性能，特别是 Sim10k 到 Cityscapes 情景下性能显著提高。

May, 2022

本研究主要研究基于无源域的玻璃体图像分割，旨在通过使用无标签图像将预训练的玻璃体分割模型适应到目标领域。研究提出了一种名为 Class-Balanced Mean Teacher (CBMT) 的模型，旨在解决伪标签不稳定和类别不平衡的问题，并通过实验证明 CBMT 在多个基准测试中优于现有方法。

Jul, 2023

本文提出了一种多教师 - 单学生 (MTSS) 方法，通过使用标签嵌入技术，可以学习任务特定的领域专家，并通过迫使模型模仿领域专家所学习的分布方法，学习图像表示的有效方法，从而实现了对视觉属性预测问题的半监督学习。实验结果表明，该方法不仅在时尚属性预测的各种基准测试上取得了竞争性的性能，还提高了不可见领域的鲁棒性和跨域适应性。

Jul, 2020

本研究提出了一种新的 UMT 模型，通过消除教师模型的偏差、使用像素级别的自适应增强训练样本、以及采用基于分布的估算策略来选择最适合当前模型的样本，从而消除了跨域识别中常见的模型偏差，并取得了显著的性能提升。

Mar, 2020

现有的目标检测器在处理训练和真实世界数据之间的领域转变方面面临挑战，尤其是在雾天和夜晚等低能见度条件下。我们提出了一种名为 Adversarial Defense Teacher（ADT）的简单而有效的框架，通过利用对抗性防御来提高教学质量，并通过 Zoom-in Zoom-out 策略解决低能见度条件下的小目标问题。我们的结果表明，ADT 在 Foggy Cityscapes 上达到了 54.5％的 mAP，超过了先前的最先进技术 2.6％的 mAP。

Mar, 2024