POPCORN: Progressive Pseudo-labeling with Consistency Regularization and Neighboring
Univ. Bordeaux（波尔多大学）；Bordeaux INP（波尔多国立高等综合理工学院）；CNRS（法国国家科学研究中心）；LaBRI（波尔多计算机科学实验室）；IMB（波尔多数学研究所）；ITACA（信息与通信技术应用研究所）；Universitat Politècnica de València（瓦伦西亚理工大学）
半监督学习（SSL）使用未标记的数据来补偿注释图像的稀缺性和缺乏对未知领域的方法泛化，这是医学分割任务中的两个常见问题。在这项工作中，我们提出了POPCORN，一种新的方法相结合的一致性正则化和伪标记设计的图像分割。所提出的框架使用高级正则化来约束我们的分割模型，以便对具有相似分割的图像使用相似的潜在特征。POPCORN估计一个邻近图来选择从最简单的数据到更困难的数据，以确保准确的伪标签并限制确认偏差。应用于多发性硬化病变分割，我们的方法表现出竞争力的结果相比，其他国家的最先进的SSL策略。
2021-09-13 cs.CV
Pseudo-Labeling Curriculum for Unsupervised Domain Adaptation
为了学习目标区分表示，使用伪标签是一种简单而有效的无监督领域自适应方法。然而，虚假伪标签的存在，这可能会对学习目标表示产生不利影响，仍然是一个重大挑战。为了克服这个问题，我们提出了一个伪标签课程的基础上，基于密度的聚类算法。由于具有高密度值的样本更有可能具有正确的伪标签，因此我们在早期阶段利用这些子集来训练我们的目标网络，并在后期阶段利用具有低密度值的数据子集。我们可以逐步提高网络生成伪标签的能力，因此这些带有伪标签的目标样本对于训练我们的模型是有效的。此外，我们提出了一个聚类约束，以提高学习的目标特征的区分能力。我们的方法在三个基准测试中实现了最先进的性能：Office-31，imageCLEF-DA和MPEG-Home。
2019-08-01 cs.CV
Pseudo-Labeling and Confirmation Bias in Deep Semi-Supervised Learning
Dublin City University（都柏林城市大学）
半监督学习，即对标记样本和未标记样本的联合学习，由于其在放松人类监督方面的关键作用，是一个活跃的研究课题。在图像分类的背景下，最近的进展，从未标记的样本学习主要集中在一致性正则化方法，鼓励不变的预测不同扰动的未标记的样本。相反，我们建议通过使用网络预测生成软伪标签来从未标记的数据中学习。我们发现，由于所谓的确认偏差，一个天真的伪标签过拟合到不正确的伪标签，并证明混合增强和设置每个小批量的最小标记样本数是有效的正则化技术，以减少它。所提出的方法实现了最先进的结果在CIFAR-10/100，SVHN，和Mini-ImageNet，尽管比其他方法简单得多。这些结果表明，单独的伪标记可以优于一致性正则化方法，而在以前的工作中假设相反。源代码可在https://git.io/fjQsC上获得。
2020-06-29 cs.CV
Pixel-level Encoding and Depth Layering for Instance-level Semantic Labeling
University of Freiburg（弗莱堡大学）；TU Darmstadt（达姆施塔特工业大学）
最近的实例感知语义标记方法已经用复杂的多任务架构或计算昂贵的图形模型来增强卷积神经网络（CNN）。我们提出了一种利用全卷积网络（FCN）来预测语义标签、深度和基于实例的编码的方法，该方法使用每个像素朝向其对应实例中心的方向。随后，我们应用低级计算机视觉技术在街景数据集KITTI和Cityscapes上生成最先进的实例分割。我们的方法优于现有的作品由一个很大的利润率，并可以额外预测的绝对距离，从一个单目图像以及像素级的语义标记的个别实例。
2016-07-14 cs.CV
Cross Pseudo Labeling For Weakly Supervised Video Anomaly Detection
本文提出CPL-VAD框架，通过跨伪标签实现视频异常检测与类别分类的双重提升，实验表明其在异常检测和类别识别上达到最优性能。
2026-03-13 cs.CV
Refined Pseudo labeling for Source-free Domain Adaptive Object Detection
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Nanjing Artificial Intelligence Research of IA（IA南京人工智能研究院）
域自适应目标检测（DAOD）假设标记的源数据和未标记的目标数据都可用于训练，但这种假设在现实世界的场景中并不总是成立。因此，提出了无源DAOD，以使源训练的检测器适应仅具有未标记目标数据的目标域。现有的无源DAOD方法通常使用伪标记，其中性能严重依赖于置信度阈值的选择。然而，大多数现有的工作采用一个单一的固定阈值的所有类来生成伪标签，忽略了不平衡的类分布，导致偏见的伪标签。在这项工作中，我们提出了一个完善的伪标签框架的无源DAOD。首先，为了生成无偏的伪标签，我们提出了一个类别感知的自适应阈值估计模块，它自适应地为每个类别提供合适的阈值。其次，为了减少不正确的盒回归，引入了一种定位感知的伪标签分配策略，将标签分为确定和不确定的标签，并分别进行优化。最后，在四个自适应任务上的大量实验证明了我们的方法的有效性。
2023-03-07 cs.CV
Decoupled Pseudo-labeling for Semi-Supervised Monocular 3D Object Detection
School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院）；Baidu Inc.（百度公司）；GuangDong Province Key Laboratory of Information Security Technology（广东省信息安全技术重点实验室）
本文提出解耦伪标签方法，通过分别处理2D/3D属性生成伪标签并投影深度梯度，解决半监督单目3D检测中预测错位和噪声深度监督问题，在KITTI上超越现有方法。
2024-11-05 cs.CV
Efficient Pre-trained Features and Recurrent Pseudo-Labeling in Unsupervised Domain Adaptation
Lehigh University（理海大学）
领域自适应（DA）在将知识从一个标注领域转移到另一个相似但不同的未标注领域时缓解了领域转移问题。然而，现有的模型通常使用一个ImageNet模型作为骨干，而不探索其他模型，并且微调或重新训练骨干ImageNet模型也很耗时。此外，伪标记已被用来提高在目标域中的性能，而如何生成可信的伪标签和显式对齐域分布还没有得到很好的解决。在本文中，我们展示了如何在无监督DA问题中有效地从17个著名的ImageNet模型中选择最佳的预训练特征。此外，我们还提出了一种使用最佳预训练特征（称为PRPL）的递归伪标记模型，以提高分类性能。为了显示PRPL的有效性，我们在三个基准数据集上进行了评估，Office+Caltech-10，Office-31和P2P-Home。大量的实验表明，我们的模型减少了计算时间，并将平均准确率分别提高到98.1%，92.4%和81.2%，大大超过了最先进的水平。
2021-05-01 cs.CV
Towards Micro-Action Recognition with Limited Annotations: An Asynchronous Pseudo Labeling and Training Approach
Hefei University of Technology（合肥工业大学）
本文针对微动作识别标注困难的问题，提出异步伪标签与训练框架APLT，通过半监督聚类生成更准确的伪标签、自适应阈值过滤噪声，并交替进行伪标签生成与模型训练，在三个MAR数据集上显著超越现有半监督学习方法。
2025-04-10 cs.CV
Open-Vocabulary Instance Segmentation via Robust Cross-Modal Pseudo-Labeling
Northeastern University（东北大学）；Adobe Research（奥多比研究院）
开放词汇表实例分割的目标是在没有掩码注释的情况下分割新的类。这是朝着减少费力的人工监督迈出的重要一步。大多数现有的作品首先在覆盖许多新类的标题图像上预训练模型，然后在具有掩码注释的有限基类上对其进行微调。然而，仅从字幕预训练中学习的高级文本信息不能有效地编码像素分割所需的细节。为了解决这个问题，我们提出了一个跨模态伪标签框架，它通过将标题中的单词语义与图像中对象掩码的视觉特征对齐来生成训练伪掩码。因此，我们的框架能够通过标题中的单词语义来标记新的类，以自我训练学生模型。为了解释伪掩模中的噪声，我们设计了一个强大的学生模型，该模型通过估计掩模噪声水平来选择性地提取掩模知识，从而减轻噪声伪掩模的不利影响。通过大量的实验，我们证明了我们的框架的有效性，其中我们显着提高了4.5%的MS-COCO和5.1%的大规模开放图像和概念字幕数据集相比，最先进的mAP得分。
2022-04-19 cs.CV
MMCIG: Multimodal Cover Image Generation for Text-only Documents and Its Dataset Construction via Pseudo-labeling
Chungnam National University（Chungnam 国立大学）；Nara Institute of Science and Technology (NAIST)（Nara 科学技术研究所）；Institute of Science Tokyo（东京科学研究所）
针对纯文本文档封面图像生成任务缺乏数据集的问题，提出多模态伪标签方法构建高质量数据集，通过对图像和字幕独立排序标注伪标签，实验证明其数据集更精准、生成图像质量更高。
2025-08-24 cs.CV
Semi-supervised 3D Object Detection via Adaptive Pseudo-Labeling
Shanghai Jiao Tong University（上海交通大学）；East China Normal University（华东师范大学）；East China University of Science and Technology（华东理工大学）
三维目标检测是计算机视觉中的一项重要任务。现有的方法大多需要大量高质量的3D标注，采集成本高，特别是对于室外场景，由于点云的稀疏性和城市场景的复杂性，问题变得更加严重。半监督学习是一种很有前途的技术，以减轻数据注释问题。受此启发，我们提出了一种新的基于伪标记的半监督框架，用于室外3D目标检测任务。我们设计了自适应类置信度选择模块（ACCS）来生成高质量的伪标签。此外，我们提出了整体点云增强（HPCA）的未标记的数据，以提高鲁棒性。在KITTI基准测试上的实验证明了该方法的有效性。
2021-08-15 cs.CV
Cross-Model Pseudo-Labeling for Semi-Supervised Action Recognition
The Chinese University of Hong Kong（香港中文大学）；Microsoft Research Asia（微软亚洲研究院）；Nanyang Technological University（南洋理工大学）
半监督动作识别是一个具有挑战性但重要的任务，由于数据标注的高成本。解决这个问题的一种常见方法是为未标记的数据分配伪标签，然后将其用作训练中的额外监督。通常在最近的工作中，伪标签是通过在标记数据上训练模型来获得的，然后使用模型的置信预测来自我学习。在这项工作中，我们提出了一个更有效的伪标签计划，称为跨模型伪标签（CMPL）。具体地说，我们引入了一个轻量级的辅助网络，除了主骨干，并要求他们预测对方的伪标签。我们观察到，由于它们不同的结构偏差，这两个模型倾向于从相同的视频片段中学习互补的表示。因此，每个模型都可以通过利用跨模型预测作为监督来从其对应模型中受益。不同的数据分区协议上的实验表明，我们的框架显着改善现有的替代品。例如，CMPL仅使用RGB模态和$1\%$标记数据在Kinetics-400和UCF-101上实现了$17.6\%$和$25.1\%$ Top-1精度，分别通过$9.0\%$和$10.3\%$优于我们的基线模型FixMatch。
2022-04-18 cs.CV
Foreground-Aware Stylization and Consensus Pseudo-Labeling for Domain Adaptation of First-Person Hand Segmentation
Institute of Industrial Science, The University of Tokyo（东京大学生产技术研究所）；OMRON SINIC X Corporation（欧姆龙SINIC X公司）
手部分割是第一人称视觉中的一项重要任务。由于第一人称图像在不同的环境中表现出强烈的外观偏差，因此在手部分割中需要将预训练的分割模型适应新的领域。在这里，我们分别关注手部区域和背景的外观间隙。我们提出了（i）前景感知图像风格化和（ii）共识伪标记的领域自适应的手分割。我们使用目标图像作为样式，为前景和背景独立地对源图像进行样式化。为了解决风格化没有解决的领域转移，我们通过在源图像和风格化的源图像上训练的模型之间取得共识来应用谨慎的伪标签。我们验证了我们的方法领域自适应的手分割从真实和模拟图像。我们的方法在这两种情况下都达到了最先进的性能。我们还展示了具有挑战性的多目标领域自适应和领域泛化设置有前途的结果。代码可在https://github.com/ut-vision/FgSty-CPL上获得。
2022-03-27 cs.CV
An Empirical Study of Pseudo-Labeling for Image-based 3D Object Detection
University of Sydney（悉尼大学）；Tsinghua University（清华大学）；Shanghai AI Lab（上海人工智能实验室）；SenseTime（商汤科技）
基于图像的3D检测是自动驾驶感知系统不可或缺的组成部分。然而，该算法的性能仍不尽如人意，其中一个主要原因是训练数据有限。不幸的是，在3D空间中注释对象非常耗时/消耗资源，这使得很难任意扩展训练集。在这项工作中，我们专注于半监督的方式，并探讨一种更便宜的替代方案，即伪标签，利用未标记的数据的可行性。为此，我们进行了大量的实验，以调查是否伪标签可以提供有效的监督基线模型在不同的设置。实验结果不仅验证了伪标记机制在基于图像的三维检测中的有效性（例如，在单眼设置下，我们在KITTI-3D测试集上实现了20.23 AP的中等水平，没有铃声和口哨声，将基线模型提高了6.03 AP），而且还显示了几个有趣和值得注意的发现（例如，使用伪标签训练的模型比基于相同训练数据使用地面实况注释训练的模型表现更好）。我们希望这项工作可以为半监督环境下基于图像的3D检测社区提供见解。代码、伪标签和预训练模型将公开提供。
2022-08-15 cs.CV
VLM-PL: Advanced Pseudo Labeling Approach for Class Incremental Object Detection via Vision-Language Model
UNIST（韩国蔚山科学技术院）；MODULABS（MODULABS公司）
针对类别增量目标检测中的伪标签遗忘问题，本文提出VLM-PL，利用视觉-语言模型和提示查询验证并精炼伪标签，融合新旧知识，在Pascal VOC与MS COCO上达到最先进性能。
2024-05-09 cs.CV
Unsupervised Domain Adaptation for Person Re-Identification through Source-Guided Pseudo-Labeling
CEA, LIST（法国原子能和替代能源委员会 科学信息与互动技术研究所）；Normandie Univ, INSA Rouen, LITIS（诺曼底大学 鲁昂国立应用科学学院 计算机科学与信息技术实验室）
人的重新识别（re-ID）旨在检索不同相机拍摄的同一个人的图像。re-ID的一个挑战是当模型用于与训练数据域（源数据）属于不同域的感兴趣数据（目标数据）时的性能保持。无监督领域自适应（UDA）是一个有趣的研究方向，因为它避免了昂贵的目标数据的注释。伪标记方法在基于UDA的re-ID中获得了最好的结果。令人惊讶的是，标记的源数据在该初始化步骤之后被丢弃。然而，我们认为伪标记可以进一步利用标记的源数据，以改善初始化后的训练步骤。为了提高对错误伪标签的鲁棒性，我们提倡在所有训练迭代期间利用标记的源数据和伪标记的目标数据。为了支持我们的指导方针，我们引入了一个框架，它依赖于一个两个分支架构优化分类和三元组损失为基础的度量学习，分别在源和目标域，以允许\emph{adaptability to the target domain}，同时确保\emph{robustness to noisy pseudo-labels}。事实上，共享的低和中级别参数受益于源分类和三重丢失信号，而目标分支的高级别参数学习特定于域的特征。我们的方法很简单，可以很容易地与现有的伪标记UDA方法相结合。我们的实验表明，它是有效的，并提高了性能时，基本方法没有机制来处理伪标签噪声或硬适应任务。我们的方法在常用数据集Market-1501和DukeMTMC-reID上进行评估时达到了最先进的性能，并且在针对更大，更具挑战…
2020-09-20 cs.CV
Unsupervised Domain Adaptation for 3D LiDAR Semantic Segmentation Using Contrastive Learning and Multi-Model Pseudo Labeling
Universität Stuttgart（斯图加特大学）
针对3D LiDAR语义分割中的域偏移问题，提出两阶段无监督域适应框架，结合片段级对比预训练与多架构硬投票伪标签微调，在多个目标数据集上显著优于直接迁移和单模型方法。
2025-07-24 cs.CV
Pseudo-Labeling by Multi-Policy Viewfinder Network for Image Cropping
Huazhong University of Science and Technology（华中科技大学）；School of Artificial Intelligence and Automation（人工智能与自动化学院）；Key Laboratory of Image Processing and Intelligent Control, Ministry of Education（图像处理与智能控制教育部重点实验室）
针对图像裁剪标注数据稀缺问题，本文提出多策略取景器网络MPV-Net，通过多样化精修策略纠正教师模型伪标签中的错误，并基于对边界框抖动的鲁棒性选择最可靠策略生成可信伪标签，在FCDB和FLMS数据集上取得最先进结果。
2024-07-04 cs.CV
MSPL: Multi-Step Pseudo-Labeling for Open-Vocabulary Object Detection
KAIST AI（韩国韩世大学AI研究所）；Boston University（波士顿大学）
提出MSPL框架，通过多步视觉推理（目标定位、类别识别、背景确认）生成伪标签，解决开放词汇检测中单步图像-文本匹配忽略中间推理步骤的问题，在OV-COCO和OV-LVIS上取得最优性能。
2026-06-24 cs.CV
Self Adaptive Threshold Pseudo-labeling and Unreliable Sample Contrastive Loss for Semi-supervised Image Classification
Nanjing Normal University（南京师范大学）；Jiangsu Open University（江苏开放大学）
针对半监督图像分类中固定阈值导致性能差及低置信度无标签数据被浪费的问题，提出自适应阈值伪标签策略和不可靠样本对比损失，在多个基准上验证了方法的优越性。
2024-07-04 cs.CV
Data-Efficient Semantic Segmentation of 3D Point Clouds via Open-Vocabulary Image Segmentation-based Pseudo-Labeling
University of Yamanashi（山梨大学）
本文提出PLOVIS算法，利用开放词汇图像分割模型生成伪标签，解决3D点云分割中训练数据不足的问题，通过两阶段过滤和类平衡内存银行提升训练效果，实验表明在数据稀缺条件下优于现有方法。
2026-10-22 cs.CV
Real-World Point Tracking with Verifier-Guided Pseudo-Labeling
Department of Computer Engineering, Koç University（科卡大学计算机工程系）；KUIS AI Center（KUIS人工智能中心）；School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院）
本文提出验证者引导伪标签方法，通过元模型评估跟踪器预测可靠性，生成高质量伪标签以提升现实世界点跟踪性能，实验证明其在数据效率和性能上的优势。
2026-03-12 cs.CV
HPL-ESS: Hybrid Pseudo-Labeling for Unsupervised Event-based Semantic Segmentation
Shanghai AI Laboratory（上海人工智能实验室）；Loughborough University（拉夫堡大学）；Northwestern Polytechnical University（西北工业大学）；CUHK-Shenzhen（香港中文大学（深圳））；Institute of Artificial Intelligence (TeleAI)（人工智能研究所（腾讯人工智能实验室））
本文提出用于无监督事件相机语义分割的混合伪标签框架HPL-ESS，通过结合自训练与离线事件图像重建生成双源伪标签，并利用噪声标签学习策略与软原型对齐模块提升标签质量与特征一致性，在DSEC-Semantic数据集上大幅超越现有方法。
2024-03-25 cs.CV
CLIP-FLow: Contrastive Learning by semi-supervised Iterative Pseudo labeling for Optical Flow Estimation
OPPO US Research Center（OPPO美国研究中心）；Innopeak Technology（Innopeak科技公司）
合成数据集通常用于预训练端到端光流网络，因为缺乏大量标记的真实场景数据。但是，当从合成场景移动到真实场景时，准确性会发生重大下降。我们如何更好地将从合成领域学到的知识转移到真实领域？为此，我们提出了CLIP-FLow，一个半监督迭代伪标记框架，将预训练知识转移到目标实域。我们利用大规模的、未标记的真实数据来促进迁移学习，并监督迭代更新的伪真实标签，弥合合成和真实之间的领域差距。此外，我们提出了一个对比流损失的参考功能和扭曲功能的伪地面真相流，以进一步提高准确的匹配和抑制由于运动，遮挡，或嘈杂的伪标签的不匹配。我们采用RAFT作为主干，并获得4.11%的F1-所有误差，即从RAFT（5.10%）减少19%的误差，并在KITTI 2015基准提交时排名2位$^{nd}$。我们的框架也可以扩展到其他模型，例如CRAFT，在KITTI 2015基准上将F1-all误差从4.79%降低到4.66%。
2022-12-03 cs.CV
CORPS: Cost-free Rigorous Pseudo-labeling based on Similarity-ranking for Brain MRI Segmentation
Boston Children’s Hospital（波士顿儿童医院）；Harvard Medical School（哈佛医学院）
脑磁共振图像（MRI）的分割对于分析人脑和诊断各种脑部疾病至关重要。耗时且容易出错的手动描绘过程的缺点旨在通过基于地图集和监督的机器学习方法来减轻，其中前一种方法计算密集，后一种方法缺乏足够大量的标记数据。基于这个动机，我们提出了CORPS，一个半监督分割框架，建立在一个新的基于图谱的伪标记方法和3D深度卷积神经网络（DCNN）的3D脑MRI分割。在这项工作中，我们建议生成专家级的伪标签的未标记的图像集的顺序基于局部强度为基础的相似性得分到现有的标记的图像集，并使用一种新的基于图集的标签融合方法。然后，我们建议在专家和伪标记图像的组合上训练3D DCNN，用于每个解剖结构的二进制分割。针对多类分割方法在有限数据和不平衡数据下分割效果不佳的问题，提出了二值分割方法。这还允许在滤波器的数量方面采用轻量级且高效的3D DCNN，并保留存储器资源用于在全尺度和全分辨率3D MRI体积而不是2D/3D补丁或2D切片上训练二进制网络。因此，所提出的框架可以封装在每个维度的空间邻接和增强上下文感知。实验结果表明，所提出的框架优于基线方法，定性和定量的人工标记没有额外的标签成本。
2022-05-19 cs.CV
In Defense of Pseudo-Labeling: An Uncertainty-Aware Pseudo-label Selection Framework for Semi-Supervised Learning
Center for Research in Computer Vision（计算机视觉研究中心）；University of Central Florida（中佛罗里达大学）
目前半监督学习的研究主要集中在基于一致性正则化的学习方法上，这些方法具有很好的性能。然而，它们严重依赖于特定领域的数据增强，这并不容易为所有数据模式生成。伪标记（PL）是一种通用的SSL方法，它没有这种约束，但在其原始公式中表现相对较差。我们认为PL表现不佳是由于校准不良的模型的错误高置信度预测;这些预测生成许多不正确的伪标签，导致噪声训练。我们提出了一个不确定性感知的伪标签选择（UPS）框架，通过大幅减少训练过程中遇到的噪声量来提高伪标签的准确性。此外，UPS概括了伪标签过程，允许创建负伪标签;这些负伪标签可用于多标签分类以及负学习以改进单标签分类。与最近的SSL方法相比，我们在CIFAR-10和CIFAR-100数据集上实现了强大的性能。此外，我们证明了我们的方法在视频数据集UCF-101和多标签数据集Pascal VOC上的多功能性。
2021-04-19 cs.CV cs.LG
A Sensor Agnostic Domain Generalization Framework for Leveraging Geospatial Foundation Models: Enhancing Semantic Segmentation viaSynergistic Pseudo-Labeling and Generative Learning
University of Houston（休斯敦大学）；Purdue University（普渡大学）
本文提出一种传感器无关的域泛化框架，结合软对齐伪标签与源到目标生成式预训练，利用地理空间基础模型提升遥感语义分割的跨传感器适应性与性能。
2025-05-02 cs.CV
SPICE: Semantic Pseudo-labeling for Image Clustering
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Fudan University（复旦大学）；Shanghai Center for Brain Science and Brain-Inspired Technology（上海脑科学与类脑研究中心）
样本间的相似性和类间的差异性是图像聚类的两个重要方面。然而，目前的深度聚类方法遭受的特征相似性或语义差异的不准确估计。在本文中，我们提出了一个基于语义伪标记的图像聚类（SPICE）框架，该框架将聚类网络划分为一个特征模型，用于测量实例级的相似性和聚类头，用于确定集群级的差异。我们设计了两个语义感知的伪标签算法，原型伪标签，和可靠的伪标签，使准确和可靠的自我监督聚类。在不使用任何真实标记的情况下，我们分三个阶段对聚类网络进行优化：1）通过对比学习训练特征模型，以度量实例相似度; 2）使用原型伪标记算法训练聚类头，以识别聚类语义; 3）使用可靠的伪标记算法联合训练特征模型和聚类头，以提高聚类性能。大量的实验结果表明，SPICE实现了显着的改进（~10%），现有的方法，并建立了新的国家的最先进的聚类结果在六个图像基准数据集方面的三个流行的指标。重要的是，SPICE大大减少了无监督分类和全监督分类之间的差距;例如，在CIFAR-10上只有2%（91.8%对93.8%）的准确性差异。我们的代码已在https://github.com/niuchuangnn/SPICE上公开。
2022-01-14 cs.AI cs.CV
Curriculum Labeling: Revisiting Pseudo-Labeling for Semi-Supervised Learning
University of Virginia（弗吉尼亚大学）
在本文中，我们重新审视伪标签的思想，在半监督学习的上下文中，学习算法可以访问一个小的一组标记的样本和一个大的未标记的样本。伪标记的工作原理是通过使用在标记样本和任何先前伪标记样本的组合上训练的模型将伪标记应用于未标记集合中的样本，并在自训练周期中迭代地重复该过程。当前的方法似乎已经放弃了这种方法，而倾向于一致性正则化方法，该方法在未标记样本上的不同类型的自监督损失和标记样本上的标准监督损失的组合下训练模型。我们的经验表明，伪标记实际上可以与最先进的竞争，同时对未标记集中的分布外样本更具弹性。我们确定了两个关键因素，使伪标签，以取得如此显着的结果（1）应用课程学习原则和（2）避免概念漂移，通过重新启动模型参数之前，每个自我训练周期。我们在CIFAR-10上仅使用4，000个标记样本获得了94.91%的准确度，在Imagenet-ILSVRC上仅使用10%的标记样本获得了68.87%的top-1准确度。代码可在https://github.com/uvavision/Curriculum-Labeling上获得
2020-12-10 cs.CV cs.LG stat.ML
Effective Pseudo-Labeling based on Heatmap for Unsupervised Domain Adaptation in Cell Detection
Kyushu University（九州大学）；RIKEN Center for Integrative Medical Sciences（理化学研究所综合医学科学中心）
细胞检测是生物医学研究中的一个重要课题。最近，深度学习方法使得提高细胞检测的性能成为可能。然而，在特定条件下（源域）用训练数据训练的检测网络可能不能很好地工作在其他条件下（目标域）的数据上，这被称为域移位问题。具体而言，根据研究目的，在不同条件下培养细胞。特征，例如，单元的形状和密度根据条件而改变，并且这种改变可能导致畴移问题。在这里，我们提出了一种无监督的领域自适应方法，用于使用伪细胞位置热图进行细胞检测，其中细胞质心位于地图和选择性伪标记中高斯分布的峰值处。在目标区域的预测结果中，即使峰值位置正确，峰值周围的信号分布也常常具有非高斯形状。因此，使用预测热图中的峰值位置重新生成伪单元位置热图以具有清晰的高斯形状。我们的方法基于不确定性和课程学习选择自信的伪单元位置热图。我们进行了大量的实验表明，与现有的方法相比，我们的方法提高了检测性能在不同的条件下。
2023-03-09 cs.CV
MAPLE: Masked Pseudo-Labeling autoEncoder for Semi-supervised Point Cloud Action Recognition
University of Science and Technology of China（中国科学技术大学）；JD Explore Academy（京东探索研究院）；Aberystwyth University（阿伯里斯特威斯大学）
从点云视频中识别人体动作因其在自动驾驶、机器人等领域的广泛应用而受到学术界和工业界的广泛关注，但现有的点云动作识别方法通常需要大量的人工标注数据和复杂的骨干网络，计算成本高，不适合实际应用。因此，本文考虑半监督点云动作识别的任务。我们提出了一个掩蔽伪标签自动编码器（\textbf{MAPLE}）框架，学习有效的表示与少得多的注释点云动作识别。特别地，我们设计了一种新型高效的\textbf{De}偶联的\textbf{s}部分- \textbf{t}部分反式\textbf{Former}（\textbf{DestFormer}）作为MAPLE的骨架.在DestFormer中，4D点云视频的空间和时间维度被解耦，以实现有效的自注意力，用于学习长期和短期特征。此外，为了从较少的注释中学习区分性特征，我们设计了一个掩码伪标记自动编码器结构来引导DestFormer从可用帧中重建掩码帧的特征。更重要的是，对于未标记的数据，我们利用来自分类头的伪标签作为监督信号，用于从掩蔽帧重建特征。最后，综合实验表明，MAPLE取得了优越的结果在三个公共基准测试，并优于国家的最先进的方法，8.08\%的准确率在MSR-RESID 3D数据集。
2022-09-01 cs.CV
PEPL: Precision-Enhanced Pseudo-Labeling for Fine-Grained Image Classification in Semi-Supervised Learning
HKUST(GZ)（香港科技大学（广州））；Institute of Deep Perception Technology, JITRI（感知技术研究所，JITRI）；University of Liverpool（利物浦大学）；Nanchang University（南昌大学）；DI^2 Lab（DI²实验室）
本文提出PEPL方法，通过生成高质量的伪标签来解决细粒度图像分类中标注数据稀缺的问题，利用CAMs进行语义混合伪标签生成，提升分类精度和鲁棒性。
2026-05-19 cs.CV
Towards Cross-Platform Generalization: Domain Adaptive 3D Detection with Augmentation and Pseudo-Labeling
Dalian University of Technology（大连理工大学）；Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
本研究提出一种基于增强与伪标签的域适应3D检测方法，在RoboSense2025挑战中取得第三名，实现了跨平台检测性能的提升。
2026-01-13 cs.CV
Online pseudo labeling for polyp segmentation with momentum networks
Sun Asterisk R&D Unit（Sun Asterisk研发部）；Hanoi University of Science and Technology（河内理工大学）
语义分割是医学图像诊断系统开发中的一项重要任务。然而，构建带注释的医疗数据集是昂贵的。因此，在这种情况下，半监督方法是有意义的。在半监督学习中，标签的质量对模型的性能起着至关重要的作用。在这项工作中，我们提出了一种新的伪标签策略，提高了用于训练学生网络的伪标签的质量。我们遵循多阶段半监督训练方法，该方法在标记的数据集上训练教师模型，然后使用经过训练的教师渲染伪标签以进行学生训练。通过这样做，伪标签将随着训练的进行而更新和更精确。以前的方法和我们的方法之间的关键区别是，我们在学生培训过程中更新教师模型。因此，在学生训练过程中提高了伪标签的质量。我们还提出了一种简单但有效的策略，使用动量模型来提高伪标签的质量-在训练过程中原始模型的缓慢复制版本。通过在学生训练期间应用动量模型并结合重新渲染伪标签，我们在五个数据集上实现了平均84.1%的Dice Score（即，Kvarsir、CVC-ClinicDB、ETIS-LaribPolypDB、CVC-ColonDB和CVC-300），只有20%的数据集用作标记数据。我们的结果超过了3%，甚至在某些数据集上接近完全监督的结果。我们的源代码和预训练模型可在https://github.com/sun-asterisk-research/在线学习ssl上获得
2022-09-29 cs.CV
Semi-Supervised Domain Adaptation via Selective Pseudo Labeling and Progressive Self-Training
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
领域自适应（DA）是一种将知识从标签充足的源领域转移到标签稀缺的目标领域的表示学习方法。虽然大多数早期的方法都集中在无监督DA（UDA），最近提出了一些研究半监督DA（SSDA）。在SSDA中，少量标记的目标图像用于训练，这些数据的有效性已被先前的研究所证明。然而，以前的SSDA方法只采用这些数据嵌入普通的监督损失，忽略了潜在的有用性，但信息线索很少。基于这一观察，在本文中，我们提出了一种新的方法，进一步利用标记的目标图像SSDA。具体地说，我们利用标记的目标图像选择性地生成伪标签的未标记的目标图像。此外，基于伪标签不可避免地带有噪声的观察，我们应用了一种标签噪声鲁棒学习方案，该方案依次逐步更新网络和伪标签集。大量的实验结果表明，我们提出的方法优于其他以前的国家的最先进的SSDA方法。
2021-04-01 cs.CV
UniLiPs: Unified LiDAR Pseudo-Labeling with Geometry-Grounded Dynamic Scene Decomposition
TORC Robotics（TORC机器人公司）；Politecnico of Milan（米兰理工学院）；Princeton University（普林斯顿大学）
本文提出UniLiPs方法，通过利用激光雷达扫描的时空几何一致性，将文本和2D视觉模型的线索直接融合到3D中，生成3D语义标签、包围盒和密集点云，验证了其在三个数据集上的鲁棒性。
2026-01-08 cs.CV
Scene Clustering Based Pseudo-labeling Strategy for Multi-modal Aerial View Object Classification
University of Science and Technology of China（中国科学技术大学）；Ping An Technology Co., Ltd（平安科技有限公司）；Hefei ZhanDa Intelligence Technology Co., Ltd（合肥展大智能科技有限公司）
自动目标识别中的多模态鸟瞰图目标分类是一个重要而又具有挑战性的问题，但一直处于研究阶段。本文首先发现，细粒度数据、类别不平衡和不同的拍摄条件限制了一般图像分类的代表性。此外，MAVOC数据集具有场景聚合特性。通过利用这些属性，我们提出了基于场景聚类的伪标记策略（SCP标签），一个简单而有效的方法，采用后处理。SCP标签通过为同一场景中的对象分配相同的标签来提高准确性，同时还可以减轻模型集成的偏差和混淆。其性能超过官方基线，在轨道1（SAR）上的准确度为+20.57%，在轨道2（SAR+EO）上的准确度为+31.86%，证明了SCP标签作为后处理的潜力。最后，我们在CVPR 2022可见光谱以外的感知（PBVS）研讨会MAVOC挑战赛中赢得了赛道1和赛道2的冠军。我们的代码可在https://github.com/HowieChangchn/SCP-Label上获得。
2022-10-09 cs.CV
Analysis of Pseudo-Labeling for Online Source-Free Universal Domain Adaptation
Institute of Signal Processing and System Theory , University of Stuttgart, Germany（信号处理与系统理论研究所，斯图加特大学）
本文系统分析了在线无源通用域适应（SF-UniDA）中伪标签对适应结果的影响，发现伪标签准确率比数量更关键，对比损失对中等准确率鲁棒而交叉熵损失在接近完美时更优，揭示了当前方法与理论上界间的差距。
2025-05-30 cs.CV cs.LG
Open-Vocabulary Scene Text Recognition via Pseudo-Image Labeling and Margin Loss
MiHOYO（米哈游）；Monash University（莫纳什大学）；Shaanxi Normal University（陕西师范大学）
针对场景文本识别中OOV词汇训练数据缺失的问题，提出Pseudo-OCR框架，通过伪标签生成、语义检查和质量感知间隔损失实现开放词汇识别，性能超越SOTA并获ICDAR2022挑战赛第一。
2024-03-12 cs.CV
PLLM: Pseudo-Labeling Large Language Models for CAD Program Synthesis
Brown University（布朗大学）；Toyota Research Institute（丰田研究机构）
PLLM通过伪标签技术，利用预训练的大语言模型和未标记的3D形状数据，提升CAD程序合成的几何保真度和程序多样性。
2026-02-13 cs.CV
APPLE: Attribute-Preserving Pseudo-Labeling for Diffusion-Based Face Swapping
KAIST AI（韩国科学技术院人工智能）；SAMSUNG（三星）
本文提出APPLE框架，通过条件去模糊和属性感知反向方案提升面部交换中属性保留能力，实现高保真属性与身份转移。
2026-03-30 cs.CV
Hand-Object Contact Prediction via Motion-Based Pseudo-Labeling and Guided Progressive Label Correction
The University of Tokyo（东京大学）
每一次手与物体的互动都始于接触。尽管预测手和物体之间的接触状态在理解手-物体交互中是有用的，但是关于手-物体分析的现有方法已经假设交互的手和物体是已知的，并且没有详细研究。在这项研究中，我们介绍了一种基于视频的方法来预测手和物体之间的接触。具体来说，给定一个视频和一对手和物体的轨迹，我们预测每帧的二进制接触状态（接触或无接触）。然而，注释大量的手对象轨迹和接触标签是昂贵的。为了克服这个困难，我们提出了一个半监督框架，包括（i）自动收集训练数据与基于运动的伪标签和（ii）引导渐进式标签校正（gPLC），纠正嘈杂的伪标签与少量的可信数据。我们验证了我们的框架的有效性在一个新建立的基准数据集的手物体接触预测，并显示出优越的性能对现有的基线方法。代码和数据可在https://github.com/takumayagi/hand_object_contact_prediction上获得。
2021-10-19 cs.CV
Foundation Model-guided Iteratively Prompting and Pseudo-Labeling for Partially Labeled Medical Image Segmentation
Department of Biomedical Engineering, Columbia University（哥伦比亚大学生物医学工程系）；Department of Radiation Oncology, Columbia University Irving Medical Center（哥伦比亚大学欧文医学中心放射肿瘤科）；Data Science Institute, Columbia University（哥伦比亚大学数据科学研究所）；Herbert Irving Comprehensive Cancer Center, Columbia University（哥伦比亚大学赫伯特·欧文综合癌症中心）；Department of Radiation Oncology, Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院放射肿瘤科）
本文提出IPnP框架，通过训练网络与冻结基础模型协作，迭代生成并优化未标注器官的伪标签，提升部分标注条件下医学图像分割性能。
2026-04-01 cs.CV
Few-shot Class-Incremental Semantic Segmentation via Pseudo-Labeling and Knowledge Distillation
Minjiang University（闽江学院）；Wuyi University（武夷学院）；Fuzhou University（福州大学）；European University Cyprus（塞浦路斯欧洲大学）
本文针对小样本类增量语义分割提出由粗到细的伪标签策略扩充训练数据，并结合知识蒸馏保留旧类知识，在自动驾驶数据集上验证了有效性。
2023-08-05 cs.CV
Feature Affinity based Pseudo Labeling for Semi-supervised Person Re-identification
School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院）；College of Engineering and Computer Science, Australian National University（澳大利亚国立大学工程与计算机科学学院）；School of Electrical and Data Engineering, University of Technology Sydney（悉尼科技大学电气与数据工程学院）
人员重新识别旨在跨多个相机流匹配人员的身份。深度神经网络已成功应用于具有挑战性的人员重新识别任务。一个显著的瓶颈是现有的深度模型是数据饥饿的，并且需要大量的标记训练数据。在大规模监控摄像机安装中获取用于行人身份匹配的手动注释是一项非常繁琐的任务。在这里，我们提出了第一种半监督方法，该方法通过考虑特征空间中未标记和标记训练样本之间的复杂关系来执行伪标记。我们的方法首先通过对抗训练学习生成模型来近似实际数据流形。给定训练模型，可以通过生成未标记的新的合成数据样本来执行数据增强。一个开放的研究问题是如何有效地使用这些额外的数据来改进特征学习。为此，这项工作提出了一种新的基于特征亲和度的伪标签（FAPL）方法，在一个统一的设置下有两种可能的标签编码。我们的方法使用来自深度网络的中间特征表示来测量未标记样本与标记数据样本的底层集群的亲和力。FAPL通过交叉熵损失和中心正则化项的联合监督进行训练，这不仅确保了区分性特征表示学习，而且同时预测了未标记数据的伪标签。我们在两个标准的大规模数据集Market-1501和DukeMTMC-reID上进行了广泛的实验，结果表明，与密切相关的竞争对手相比，性能有了显着的提升，并且在大多数情况下都优于最先进的人员重新识别技术。
2018-05-16 cs.CV
Soft Self-labeling and Potts Relaxations for Weakly-Supervised Segmentation
University of Waterloo（滑铁卢大学）
本文针对涂鸦级弱监督分割提出软自标注方法，通过引入可表示类别不确定性的软伪标签、有原则的辅助损失及通用连续子问题求解器，仅用标准架构即显著超越复杂专用WSSS系统，甚至优于全像素精确监督。
2025-07-02 cs.CV
Unified Unsupervised and Sparsely-Supervised 3D Object Detection by Semantic Pseudo-Labeling and Prototype Learning
Institute of Medical Robotics, Shanghai Jiao Tong University（上海交通大学医疗机器人研究院）；Key Laboratory of System Control and Information Processing, Ministry of Education of China（系统控制与信息处理教育部重点实验室）
本文提出SPL框架，通过语义伪标签和原型学习统一无监督和稀疏监督3D目标检测，生成高质量伪标签并稳定特征学习，实验表明在KITTI和nuScenes数据集上优于现有方法。
2026-04-12 cs.CV
Class-Balanced Pixel-Level Self-Labeling for Domain Adaptive Semantic Segmentation
The Hong Kong Polytechnic University（香港理工大学）；Dalian University of Technology（大连理工大学）
领域自适应语义分割的目的是在源领域数据的监督下学习模型，并在未标记的目标领域上产生令人满意的稠密预测。这个具有挑战性的任务的一个流行的解决方案是自我训练，它选择目标样本上的高分预测作为训练的伪标签。然而，产生的伪标签往往包含大量的噪声，因为该模型偏向于源域以及大多数类别。为了解决上述问题，我们建议直接探索目标域数据的固有像素分布，而不是严重依赖于源域。具体来说，我们同时聚类像素和纠正伪标签与获得的集群分配。这个过程是以在线方式完成的，因此伪标签可以与分割模型共同进化，而无需额外的训练轮。为了克服长尾类别上的类不平衡问题，我们采用了分布对齐技术来强制集群分配的边缘类分布接近伪标签。所提出的方法，即类平衡像素级自标记（CPSL），提高了目标域上的分割性能比国家的最先进的大幅度，特别是长尾类别。
2022-03-18 cs.CV
MUG: Pseudo Labeling Augmented Audio-Visual Mamba Network for Audio-Visual Video Parsing
Foundation Model Research Center, Institute of Automation, Chinese Academy of Sciences, China（中国科学院自动化研究所基础模型研究中心）
本文提出伪标签增强音视频Mamba网络（MUG），通过跨模态随机组合单模态伪标签生成新数据，并利用AV-Mamba网络排除模态噪声，在LLP数据集各指标上显著提升了弱监督音视频解析性能。
2025-08-12 cs.CV
Incremental Pseudo-Labeling for Black-Box Unsupervised Domain Adaptation
University of Fukui（福井大学）；Toyohashi University of Technology（丰桥技术科学大学）；Niigata University（新潟大学）；University of Toyama（富山大学）
针对黑盒无监督域适应中伪标签错误问题，提出增量选择高置信度伪标签并迭代训练目标网络的方法，在三个基准数据集上取得最优性能。
2024-05-26 cs.CV
Domain-Specific Block Selection and Paired-View Pseudo-Labeling for Online Test-Time Adaptation
Gwangju Institute of Science Technology（光州科学技术院）
本文提出 DPLOT 框架，通过领域特定块选择和成对视图伪标签生成提升在线测试时自适应的伪标签质量，并在多个基准上显著降低错误率。
2024-05-07 cs.CV
ProPL: Universal Semi-Supervised Ultrasound Image Segmentation via Prompt-Guided Pseudo-Labeling
MedAI Technology (Wuxi) Co. Ltd.（MedAI技术（无锡）有限公司）
本文针对现有超声分割方法泛用性不足的问题，提出通用半监督分割框架ProPL，配套构建多器官多任务超声数据集，实验证明其性能优于现有最优方法。
2025-11-19 cs.CV
Pseudo-Labeling Enhanced by Privileged Information and Its Application to In Situ Sequencing Images
Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学布罗德研究所）
本文提出PLePI通用策略，将特权信息融入教师-学生自训练中的伪标签生成，以解决标签稀缺目标检测问题，并在ISS图像和COCO基准上验证了其有效性。
2023-06-28 cs.CV
