- 基于运动先验的交通视频目标检测
本研究提出了两种新方法来利用运动先验，以提升交通视频对象检测的性能，包括在全监督设置中利用运动先验引导时间信息整合的自注意力模块以及利用运动先验开发伪标签机制消除半监督设置下的嘈杂伪标签。这两种基于运动先验的方法表现出卓越的性能，相较于现有 - 基于分割频率统计的非监督式和半监督式共显目标检测
在这篇研究论文中，我们采用无监督的频率统计方法来检测图像组中同时出现的显著对象（CoSOD），从而使我们能够开发半监督的方法。我们提出的无监督方法 US-CoSOD 结合了无监督单图像语义分割的对象共现频率统计和利用自监督特征学习的显著前景 - FireMatch: 基于一致性和分布对齐的半监督视频火灾检测网络
基于半监督学习的火灾检测模型 FireMatch，结合了一致性正则化和对抗分布对齐，通过伪标签和视频增强等技术，扩展训练数据量，提高了分类性能和模型鲁棒性，实验结果表明该方法在真实火灾数据集上的准确率显著优于当前最先进的半监督分类方法。
- 目标检测的半监督和弱监督域泛化
在目标检测中，提出了半监督领域通用目标检测（SS-DGOD）和弱监督领域通用目标检测（WS-DGOD）两种新的问题设置，利用师生学习框架在仅使用来自一个领域标记数据和来自多个领域的无标记或弱标记数据进行训练，并证明了在此设置下训练的目标检测 - MM半监督全景叙事基准化
本文介绍了一种新颖的半监督全景叙事 grounding 方案，利用少量带标签的图文对和大量无标签对来实现竞争性性能，并通过质量基配损失调整方法提高半监督网络以克服标注有限的挑战。
- SSHNN: 超声心动图像分割的半监督混合 NAS 网络
准确医学图像分割，特别是对于带有无法遗漏的噪声的心脏超声图像，需要精心的网络设计。为解决现有方法在层次特征融合和处理全局关系和局部细节方面的不足，本文提出了一种新颖的半监督混合神经架构搜索网络 (SSHNN)，用于准确的医学图像分割。
- 通过前向触觉表示的示范学习力导向动作的少样本学习
通过半监督的学习方式，本研究在操作机器人通过感知力及学习示范来识别实物属性并生成所需运动的过程中，采用了力传感、从示范学习、无监督数据和触觉表示编码器等关键技术。结果表明，通过预训练，该学习方法在未知海绵上成功地识别了物理属性并生成了期望的 - 深度神经网络和双向动态时间扭曲算法的半监督三维视频信息检索
该论文提出了一种新颖的半监督深度学习算法，用于基于视觉内容检索相似的 2D 和 3D 视频。该算法采用深度卷积和递归神经网络与动态时间扭曲作为相似性度量，能够处理大规模视频数据集，并根据图形帧和内容检索与给定查询视频片段最相关的视频。该方法 - 基于风险估计的半监督分类的异常检测
提出两种基于分类的半监督异常检测方法，一种基于无偏风险估计器的半监督浅层方法和一种利用非负偏向风险估计器的半监督深层方法，通过建立估计误差和风险过度界限来证明两者的有效性，并提出选择合适的正则化参数以确保浅层模型下经验风险非负性的技术。
- 密度农作物引导的半监督航空图像目标检测
通过密度裁剪引导的半监督检测器改进了对航空图像中小物体的检测效果。在训练过程中，使用已标记和未标记图像中识别出的物体簇的图像作为训练集的增强，提高了对小物体的检测和为未标记图像生成的伪标签质量。在推理过程中，该检测器不仅能够检测感兴趣的物体 - 适应变化：动态数据环境中的稳健反事实解释
DyGRACE 是一种新颖的半监督图对因解释器方法，利用关于数据分布的初始知识在避免使用可能过时的决策函数的信息的情况下搜索有效的反事实，它通过两个图自编码器（GAEs）学习二元分类场景中每个类的表示，其方法独立于基础的黑盒预测模型，并且具 - 半监督医学图像分割与协同分布对齐
本文提出了一种基于 Co-Distribution Alignment (Co-DA) 的半监督医学图像分割方法，通过对无标签数据和有标签数据的边际预测进行类别对齐，并设计了过度期望交叉熵损失来减少伪标签中的噪声，实验结果表明该方法在多个公 - 你有两位教师：胸部 X 射线半监督解剖异常检测的共同进化图像和报告提炼
该研究提出了一种半监督的胸部 X 射线异常检测方法，使用放射学报告的文本分类结果和视觉检测结果互相辅助，通过伪标签改进技术提高性能。实验结果表明其在公共的 MIMIC-CXR 基准上的表现优于其他现有的弱监督和半监督方法。
- 视频目标分割的层次化时空 Transformer
本文提出了一种名为 HST 的半监督视频对象分割框架，使用 Swin Transformer 和 Video Swin Transformer 提取图像和视频特征，并使用内存读取操作产生层次特征以精确重构对象蒙版，该框架在处理复杂场景下具有 - ACLvONTSS: 基于 vMF 半监督神经主题建模和最优传输的模型
本论文提出了一种使用 vMF 变分自动编码器和最优传输的半监督神经主题建模方法 vONTSS，通过提供每个主题的少量关键词，可以生成潜在主题，并优化主题 - 关键词质量和主题分类。实验表明 vONTSS 在分类准确性和多样性方面优于现有的半 - KDE 自训练：基于核距离的控制型文本生成的有效方法
本文提出了一种名为 KEST 的自训练框架，利用基于核的损失函数代替标准交叉熵来处理生成模型中的模式崩溃和多样性缺失等问题，进而提高半监督可控语言生成任务的表现。
- 分布式半监督稀疏统计推断
本研究旨在研究半监督稀疏统计推断在分布式环境中的应用，提出了一种高效的多轮分布式去偏估计方法，有效地整合了有标记和无标记的数据，并应用于 M-estimation 和广义线性模型等不同损失函数形式。通过模拟研究和真实数据应用，证明了这种方法 - 聚类的计算理论与半监督算法
提出了一种计算理论和半监督聚类算法，将聚类定义为根据所选的聚类原则和度量方法获得数据分组，使每个组不包含异常值，所有其他示例被认为是边缘点，孤立的异常值、异常簇或未知簇。
- AD-PT: 基于大规模点云数据集的自主驾驶预训练
通过构建大规模点云数据集，将点云预训练任务形式化为一种半监督问题，并从这样多样化的预训练数据中学习可推广的表示，从而在多个基准模型和基准测试中取得了显著的性能增益。
- CVPR零样板风格化三维角色非绑定姿势转移
本文提出了一种使用非样式化虚拟人形变形训练，再通过本文中引入的半监督形状理解和隐式姿态变形模块，实现对来自其他类型非样式化形体的样式化角色的姿态转移，实现无需标注对应点的零样本学习。同时，引入了一种基于体素的测试训练过程，加强了对四足动物类