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

本研究介绍了一个完全端到端的有效半监督物体检测框架 Instant-Teaching，使用了即时伪标记和扩展的弱-强数据增强进行教学。在 MS-COCO 和 PASCAL VOC 数据集上的实验证明了我们提出的方法优于现有方法。

Mar, 2021

本文提出一种基于区域的半监督算法，用于解决稀疏标注数据中缺失标注信息的物体检测问题，实验表明该算法在PASCAL-VOC数据集中取得了最优性能。

Jan, 2022

本文介绍了一种Unbiased Teacher v2方法，针对半监督目标检测的主要问题，将SS-OD方法推广到anchor-free检测器，引入了Listen2Student机制，收集学生和教师的相对不确定性，避免学生被错误的伪标签指引。该方法在VOC、COCO-standard和COCO-additional三个数据集上的表现优于目前的最先进方法。

Jun, 2022

本文提出了一种基于双重伪标签磨光框架的半监督目标检测方法，通过利用上下文知识对最初产生的伪标签进行双重磨光学习，精确推断未注释对象的伪标签，以提高SSOD的泛化性能，并在PASCAL VOC和MS COCO基准测试中证明了该方法胜过现有最先进的基线方法。

Jul, 2022

本研究探讨了半监督目标检测模型中伪目标的不一致性问题，提出了一种名为ConsistentTeacher的系统性解决方案，通过自适应锚定分配、三维特征对齐模块和高斯混合模型等步骤，可以有效减少伪标签带来的噪声和不准确性，提高模型精度。

Sep, 2022

本文综述了半监督目标检测的五个方面，包括数据增强、数据标注、损失函数和常见基准数据集等。通过对各种方法的比较和分析，为读者提供了对该领域研究现状和未来发展方向的深入了解。

Jun, 2023

我们提出了Semi-DETR，一个基于transformer的端到端半监督物体检测器，通过阶段混合匹配策略、跨视图查询一致性方法和基于代价的伪标签挖掘模块解决DETR中存在的问题，并在COCO和Pascal VOC基准数据集上的所有SSOD设置中进行的实验表明，我们的方法优于所有现有方法。

Jul, 2023

通过利用视频的动态运动特性，我们引入了SSVOD，一个端到端的半监督视频目标检测框架，以利用大规模未标记的帧和稀疏注释来选择性地组装鲁棒的伪标签，并通过结合硬伪标签和软伪标签的置信度阈值进行伪标签的确认偏见和不确定性噪声的平衡，从而在ImageNet-VID，Epic-KITCHENS和YouTube-VIS数据集上实现了显著的性能改进。

Sep, 2023

在这篇文章中，我们针对当前最先进的目标检测器Deformable DETR，提出了一种针对少批注学习设置的半监督方法，使用学生-教师架构，在避免依赖教师模型生成的伪标签的敏感后处理的同时进行学习。我们在半监督目标检测基准COCO和Pascal VOC上评估了我们的方法，并在标注稀缺的情况下优于先前的方法。我们相信我们的贡献为在此设置中使用类似的目标检测方法开辟了新的可能性。

Oct, 2023