- HUWSOD: 统一弱监督目标检测的全面自学习
本文介绍了一种统一的，高容量的弱监督目标检测网络 HUWSOD，它利用了一个全面的自我训练框架，在不需要外部模块或额外监督的情况下生成候选区域。HUWSOD 创新性地结合了自我监督的候选生成器和自编码器候选生成器，以及多速率重采样金字塔，取 - ACL使用伪标签评分器进行方面情感四元预测的自训练
Aspect Sentiment Quad Prediction (ASQP) 任务是在基于方面的情感分析中预测给定评论的所有四元组（方面术语、方面类别、意见术语、情感极性）的最具代表性和具有挑战性的任务。我们提出了一个自训练框架，其中包含 - CVPR弱监督视频异常检测中具有正常性指导的文本提示
基于文本提示和正常性指导的弱监督视频异常检测方法通过生成伪标签和自适应学习来提高性能。
- 跨领域中文句式分析
该论文提出了一种创新方法，利用大型语言模型进行自训练，通过将源领域的部分句法规则与目标领域的句子结合起来动态生成训练数据，增强了解析器对多样领域的适应性，实验证明该方法的有效性，F1 指标优于基于规则的对照组 1.68 点。
- ICLR细粒度场景图生成的自适应自训练框架
通过利用未标注的三元组，本研究介绍了一种自我训练框架（ST-SGG），以缓解场景图生成模型在长尾问题上的困扰。同时提出了一种适用于任何现有场景图生成模型的称为 Class-specific Adaptive Thresholding wit - 自我演化神经辐射场
提出了一种名为 SE-NeRF 的自我进化神经辐射场框架，通过在教师 - 学生框架中将 few-shot NeRF 转化为，将由教师生成的附加伪标签训练学生，通过使用可靠性估计方法提取射线级伪标签，使得 NeRF 能够学习更准确、更强健的三 - EMNLP噪声自训练与合成查询的密集检索
使用新颖的带有合成查询的嘈杂自我训练框架，证明了神经检索器可以在没有依赖任何外部模型的情况下以自我进化的方式得到改进，实验证明我们的方法在常见领域（如 MS-MARCO）和领域外（即 BEIR）的检索基准上持续改进。进一步扩展该框架来进行 - 半监督学习的通用奖励模型：SemiReward
提出了一种 SemiReward 半监督奖励框架，通过预测奖励分数来评估和过滤高质量伪标签，以解决在半监督学习中确认偏差问题，实现高质量标签、快速收敛和任务多样性。
- AR-TTA：一种用于现实世界中连续测试时适应的简单方法
提出了一种名为 AR-TTA 的方法，该方法在自主驾驶领域中进行了测试时间适应，以处理不同程度的领域转变，并在维护源模型知识和适应动态变化的数据流方面表现优越。
- 内镜视频中强韧手术工具识别技术及噪声数据处理
本文提出了一种系统的方法来开发针对手术工具检测的强大模型，使用智能主动学习策略和基于学生教师模型的自训练框架，训练数据加载器为了解决基于嘈杂数据的手术工具检测的类别不平衡问题。在实验中，我们的方法有效地演示了比现有方法更好的效果。
- 基于视觉 - 语言预训练模型的零样本核团检测
该论文探讨了如何使用以大规模自然图像文本对为预训练基础的 VLPM 模型，在医学图像检测中实现零样本细胞核检测，并提出了一种基于自动提示设计管道的框架。通过自我训练，该方法在无标签的情况下表现出优异的细胞核检测性能，并展示了 VLPM 在医 - 基于不确定性引导的集成自训练方法，用于半监督的全球场地重建
本文提出了使用大量未标记的数据提高重建性能的不确定性引导集成自我训练方法 (UGE-ST)。在此框架下，设计了一个包括集成教师和预训练学生的自我训练框架，以提高伪标签的准确性并缓解噪声的影响。同时，提出了一种不确定性引导的学习方法，以鼓励模 - 低资源神经序列标注的不确定性自我训练
本文提出了 SeqUST， 一种新颖的不确定性感知自我训练框架，以解决标记数据稀缺性问题并有效利用未标记数据来改善神经序列标注的性能，并在六个基准测试中展现出在低资源场景中超越强基线模型的能力。
- AAAICL3D：基于无监督领域自适应的跨激光雷达 3D 检测
利用空间几何对齐和时间运动对齐构建自适应域归一化方法，以头显和机械扫描激光雷达的点云数据为例，实现了跨设备 3D 检测的最新性能水平。
- 通过保留目标函数的自我训练增强方法提升少样本生成性对话状态追踪
提出了一种新的自学框架，通过伪标签和目的保持扩充来迭代地改进模型，用于少样本生成式对话状态跟踪，增强了 MultiWOZ 2.1 的性能，并提高了无见过值的槽召回率。
- ECCV通过迭代自我训练进行机器人拾取业务的仿真到实际 6D 物体姿态估计
本文提出了一种迭代的自我训练框架，以促进成本效益的机器人抓取，该框架用于实现基于模拟的对象姿态估计，并不断改进以更好地预测真实数据，并在公开基准测试和作者新发布的数据集上取得了显著的提高。
- 自信！通过置信度校准实现值得信赖的图神经网络
本文提出了一种基于拓扑感知的后处理校准函数的信任度高的 GNN 模型 ——CaGCN，通过学习得到每个节点的校准置信度，进而提高自训练框架中的性能表现。通过实验验证了该模型在置信度和准确性方面的有效性。
- ACL带有置信度估计的有噪标注命名实体识别
该研究采用校准置信度估计的方式来研究深度学习在实际场景下的命名实体识别问题，提出了一种基于本地和全局独立性假设的置信得分估计策略，并结合 CRF 模型来隔离低置信度标签，同时提出了一种基于实体标签结构的置信度校准方法，最后将其集成到自我训练 - CVPRSLADE: 距离度量学习的自我训练框架
本文提出了一种自我训练的框架，利用未标记的数据来提高检索性能，使用伪标签增强了师生模型的性能，通过自监督表示学习初始化，设计了用于学生网络的新的特征基础函数学习组件来更好地处理师傅网络产生的伪标签噪声，并在标准检索基准上进行了评估，结果表明 - ECCV从部分观察中获取全身意识
本文提出了一种简单而高效的自学习框架，以适应消费视频数据的人体三维网格恢复系统，并在此基础上进行 13K 帧的评估以及对任务的关键点注释，结果显示我们的方法在测试视频上具有较高的准确性和人为判断水平。