Semi-supervised Learning for Dense Object Detection in Retail Scenes
ParallelDots, Inc.（ParallelDots公司）
零售场景通常在每个图像中包含密集的大量对象。标准的目标检测技术使用完全监督的训练方法。这是非常昂贵的，因为与标准数据集相比，注释大的密集零售目标检测数据集涉及多一个数量级的工作。因此，我们提出了半监督学习，以有效地利用大量的未标记的数据在零售领域。我们适应一个流行的自我监督的方法，称为嘈杂的学生最初提出的对象分类密集的目标检测的任务。我们表明，使用未标记的数据与嘈杂的学生训练方法，我们可以提高在密集的零售场景中精确检测物体的最新技术水平。我们还表明，模型的性能随着未标记数据量的增加而增加。
2021-07-05 cs.CV
C$^3$PS: Context-aware Conditional Cross Pseudo Supervision for Semi-supervised Medical Image Segmentation
Shanghai Jiao Tong University（上海交通大学）
针对半监督医学图像分割，提出上下文感知条件交叉伪监督方法C$^3$PS，通过带类别条件的交叉伪监督结合上下文感知提升伪标签质量，训练后期可聚焦难分割器官，在两项任务上性能优于现有最优方法。
2023-06-14 cs.CV
Rethinking Pseudo Labels for Semi-Supervised Object Detection
University of Maryland（马里兰大学）；Fudan University（复旦大学）
半监督目标检测（SSOD）的最新进展主要是由用于图像分类任务的基于一致性的伪标记方法驱动的，该方法产生伪标记作为监督信号。然而，当使用伪标签时，缺乏对定位精度和放大的类别不平衡的考虑，这两者对于检测任务都是至关重要的。在本文中，我们介绍了确定性感知的伪标签量身定制的目标检测，它可以有效地估计派生的伪标签的分类和定位质量。这是通过将传统的本地化转换为分类任务，然后进行细化来实现的。在分类和本地化质量分数的条件下，我们动态地调整用于生成伪标签的阈值，并为每个类别重新加权损失函数，以缓解类不平衡问题。大量的实验表明，我们的方法提高了最先进的SSOD性能的1- 2%AP COCO和PASCAL VOC，同时正交和补充大多数现有的方法。在有限的注释制度，我们的方法提高了监督基线高达10%的AP使用只有1-10%的标记数据从COCO。
2021-12-30 cs.CV
Semi-Supervised 2D Human Pose Estimation Driven by Position Inconsistency Pseudo Label Correction Module
Beijing University of Posts and Telecommunications（北京邮电大学）；Beike（贝壳）
在本文中，我们深入研究了半监督的2D人体姿态估计。以前的方法忽略了两个问题：（1）在进行大模型和轻量级模型之间的交互训练时，轻量级模型的伪标签将用于指导大模型。(ii)噪声伪标签对训练的负面影响。此外，用于2D人体姿态估计的标签相对复杂：关键点类别和关键点位置。为了解决上述问题，我们提出了一个半监督的二维人体姿态估计框架驱动的位置不一致伪标签校正模块（SSPCM）。我们引入了一个额外的辅助教师，并使用两个教师模型在不同时期产生的伪标签来计算不一致性得分并去除离群值。然后，通过交互式训练来更新两个教师模型，并且使用由两个教师生成的伪标签来更新学生模型。为了进一步提高学生模型的性能，我们使用了基于伪关键点感知的半监督切割-遮挡算法来生成更多的硬有效样本。此外，我们还提出了一个新的室内开销鱼眼人体关键点数据集WEPDTOF-Pose。大量的实验表明，我们的方法优于以前最好的半监督2D人体姿态估计方法。我们将在https://github.com/hlz0606/SSPCM上发布代码和数据集。
2023-03-08 cs.CV
Semi-Supervised Semantic Segmentation with Cross Pseudo Supervision
Peking University（北京大学）；Microsoft Research Asia（微软亚洲研究院）
在本文中，我们研究了半监督语义分割问题，通过探索标记数据和额外的未标记数据。我们提出了一种新的一致性正则化方法，称为交叉伪监督（CPS）。我们的方法对同一输入图像的不同初始化扰动的两个分割网络的一致性。从一个扰动的分割网络输出的伪独热标签映射被用于以标准交叉熵损失来监督另一个分割网络，反之亦然。CPS一致性有两个作用：鼓励两个扰动网络对同一输入图像的预测之间的高度相似性，以及通过使用具有伪标签的未标记数据来扩展训练数据。实验结果表明，该方法在Cityscapes和PASCAL VOC 2012上实现了最先进的半监督分割性能。代码可在https://git.io/CPS上获得。
2021-06-04 cs.CV
DenseDINO: Boosting Dense Self-Supervised Learning with Token-Based Point-Level Consistency
Zhejiang University（浙江大学）；Zhejiang – Singapore Innovation and AI Joint Research Lab（浙江-新加坡创新与人工智能联合实验室）
针对现有自监督Transformer忽略空间信息的问题，提出DenseDINO框架，通过参考token实现跨视点级监督，在分类任务性能可比的同时，显著提升语义分割任务表现。
2023-06-06 cs.CV
Re-distributing Biased Pseudo Labels for Semi-supervised Semantic Segmentation: A Baseline Investigation
The University of Hong Kong（香港大学）；Zhejiang University（浙江大学）
虽然自训练具有先进的半监督语义分割，但它严重遭受真实世界语义分割数据集上的长尾类分布，这使得伪标记数据偏向于大多数类。在本文中，我们提出了一个简单而有效的分布对齐和随机抽样（DARS）方法，以产生无偏的伪标签，匹配从标记数据估计的真实类分布。此外，我们还提供了一个渐进的数据增强和标记策略，以促进模型训练与伪标记数据。在Cityscapes和PASCAL VOC 2012数据集上的实验证明了该方法的有效性。虽然简单，我们的方法表现良好，与国家的最先进的方法相比。代码将在https://github.com/CVMI-Lab/DARS上提供。
2021-07-26 cs.CV
Density-Guided Dense Pseudo Label Selection For Semi-supervised Oriented Object Detection
本文提出面向半监督有向目标检测的密度引导密集伪标签选择方法（DDPLS），通过伪密度分数（PDS）估计潜在目标密度并自适应选择可靠伪标签，在DOTA-v1.5基准上以更少标注数据超越了现有方法。
2024-05-15 cs.CV
Learning Adaptive Pseudo-Label Selection for Semi-Supervised 3D Object Detection
School of Computing, KAIST（韩国科学技术院计算机学院）；AI Lab, LG Electronics（LG电子人工智能实验室）
本文提出一种自适应伪标签选择框架，通过动态阈值和上下文信息提升3D目标检测性能，实验表明其在KITTI和Waymo数据集上效果显著。
2026-04-03 cs.CV
Sparse Generation: Making Pseudo Labels Sparse for Point Weakly Supervised Object Detection on Low Data Volume
Xi'an University of Science and Technology（西安科技大学）
针对低数据量下点弱监督目标检测伪标签质量差的问题，提出稀疏生成方法，通过映射、掩码、回归三阶段将稠密输出稀疏化，并结合透视匹配提升伪框合理性，在多个数据集上优于现有SOTA方法。
2024-12-30 cs.CV
Self-Supervised Pre-training of Vision Transformers for Dense Prediction Tasks
Université Paris-Saclay（巴黎萨克雷大学）；CEA（法国原子能和替代能源委员会）；List（李斯特研究所）
我们提出了一种新的自监督预训练的视觉Transformer密集的预测任务。它基于跨视图的对比损失，将像素级表示与全局图像表示进行比较。这种策略产生更好的局部特征，适合于密集预测任务，而不是仅基于全局图像表示的对比预训练。此外，我们的方法并没有遭受减少批量大小，因为在对比损失所需的负例的数量是在本地功能的数量的顺序。我们证明了我们的预训练策略在两个密集预测任务上的有效性：语义分割和单眼深度估计。
2022-06-07 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
Segment Anything is A Good Pseudo-label Generator for Weakly Supervised Semantic Segmentation
Zhejiang University（浙江大学）；Nankai University（南开大学）
针对弱监督语义分割的不适定问题，本研究挖掘类别无关大模型segment-anything的“提示生成掩码”潜力，以弱标签为提示生成精确类别掩码，再用其制作伪标签训练分割网络，在PASCAL VOC 2012上验证了该方法的有效性，代码将开源。
2023-05-02 cs.CV
Weighting Pseudo-Labels via High-Activation Feature Index Similarity and Object Detection for Semi-Supervised Segmentation
Stony Brook University（石溪大学）；EPFL（洛桑联邦理工学院）
本文提出一种通过高激活特征索引相似性与目标检测加权伪标签的方法，提高半监督语义分割中伪标签的可靠性，并在多个框架和数据集上验证了有效性。
2024-07-17 cs.CV
RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised Medical Image Segmentation
Shanghai Jiao Tong University（上海交通大学）；Fudan University（复旦大学）；Huashan Hospital（华山医院）；National Center for Neurological Disorders（国家神经疾病医学中心）；ShanghaiTech University（上海科技大学）
针对半监督医学图像分割中伪标签噪声大、特征类别可分性不足的问题，提出结合校正伪监督与双向体素对比学习的RCPS方法，经多数据集验证性能优于现有最优方法。
2023-10-09 cs.CV
Pseudo-label Correction and Learning For Semi-Supervised Object Detection
National University of Defense Technology（国防科技大学）；Defense Innovation Institute, Chinese Academy of Military Science（中国人民解放军军事科学院国防科技创新研究院）
伪标记已成为一种简单而有效的半监督目标检测（SSOD）技术。然而，伪标签中不可避免的噪声问题显着降低了SSOD方法的性能。近年来的研究有效地降低了SSOD中的分类噪声，但作为SSOD中不可忽视的一部分的定位噪声却没有得到很好的解决。在本文中，我们分析了本地化噪声的产生和学习阶段，并提出了两种策略，即伪标签校正和噪声不知情的学习。对于伪标签校正，我们引入了多轮细化方法和多投票加权方法。前者迭代地细化伪框以提高预测的稳定性，而后者通过加权周围抖动框的分数来平滑地自校正伪框。对于无噪声学习，我们引入了一个与回归任务中的交集（IoU）负相关的损失权重函数，它使预测框更接近对象并提高定位准确性。我们提出的方法，伪标签校正和学习（PCL），广泛评估MS COCO和PASCAL VOC基准。在MS COCO上，PCL在1%、5%和10%的标记比率下分别比监督基线高12. 16、12. 11和9. 57 mAP，比最近的SOTA（SoftTeacher）高3. 90、2. 54和2. 43 mAP。在PASCAL VOC上，PCL将监督基线提高了5.64 mAP，在AP $^{50}$上将最近的SOTA（无偏教师2）提高了1.04 mAP。
2023-03-06 cs.CV
Conservative-Progressive Collaborative Learning for Semi-supervised Semantic Segmentation
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院（AIR））；Zhejiang University（浙江大学）
伪监督被认为是半监督学习语义分割的核心思想，在只利用高质量伪标签和利用所有伪标签之间总是存在权衡。为了解决这个问题，我们提出了一种新的学习方法，称为保守-渐进协作学习（CPCL），其中两个预测网络并行训练，并根据两个预测的一致性和不一致性实现伪监督。一个网络通过交叉监督寻找共同点，并由高质量的标签监督，以确保更可靠的监督，而另一个网络通过联合监督保留差异，并由所有伪标签监督，以保持好奇心。从而实现保守进化与渐进探索的协同。为了减少可疑伪标签的影响，根据预测置信度对损失进行动态重新加权。大量的实验表明，CPCL实现了国家的最先进的半监督语义分割的性能。
2023-02-17 cs.CV
BoxTeacher: Exploring High-Quality Pseudo Labels for Weakly Supervised Instance Segmentation
Horizon Robotics（地平线机器人）；Huazhong University of Science & Technology（华中科技大学）
与边界框相比，使用逐像素分割标记对象需要大量的人力。大多数现有的弱监督实例分割方法集中在设计启发式损失与先验的边界框。同时，我们发现框监督方法可以产生一些精细的分割掩模，我们想知道检测器是否可以从这些精细掩模中学习，而忽略低质量的掩模。为了回答这个问题，我们提出了BoxTeacher，这是一个高效的端到端训练框架，用于高性能弱监督实例分割，它利用一个复杂的教师来生成高质量的掩码作为伪标签。考虑到大量噪声掩模对训练的影响，本文提出了一种掩模感知置信度来估计伪掩模的质量，并提出了噪声感知像素损失和噪声降低亲和度损失来自适应地优化具有伪掩模的学生。大量的实验可以证明所提出的BoxTeacher的有效性。在没有花哨的情况下，BoxTeacher在具有挑战性的COCO数据集上分别使用ResNet-50和ResNet-101显著实现了35.0掩码AP和36.5掩码AP，这比以前的最先进方法有很大的优势，并弥合了框监督和掩码监督方法之间的差距。代码和模型将在https://github.com/hustvl/BoxTeacher上提供。
2023-03-17 cs.CV
Weakly supervised object detection using pseudo-strong labels
National Laboratory for Parallel and Distributed Processing, National University of Defense Technology（国防科技大学并行与分布处理国家重点实验室）；College of Computer, National University of Defense Technology（国防科技大学计算机学院）
目标检测是计算机视觉的一项重要任务，人们已经提出了多种方法，但是利用弱标记的方法仍然没有得到令人满意的结果。提出了一种新的框架，利用弱监督方法的输出作为伪强标签来训练强监督模型，将弱监督方法作为黑盒处理，在训练样本集上生成类特定的包围盒，并提出了一种新的改进方法。该方法首先对含有噪声的边界框进行去噪处理，然后利用去噪后的伪强标签对强目标检测网络进行训练，由于整个过程只使用图像级标签，所以整个框架仍然是弱监督的。在PASCAL VOC 2007上的实验结果证明了该框架的有效性，结果表明，该方法的平均精度为43.4%，比原方法的平均精度（34.5%）和原方法的平均精度（39.5%）都有较大提高，且该方法简单、直观，易于推广应用。
2016-07-16 cs.CV
TrajSSL: Trajectory-Enhanced Semi-Supervised 3D Object Detection
University of California, Berkeley（加州大学伯克利分校）
针对半监督3D目标检测的伪标签质量问题，提出TrajSSL方法，利用预训练运动预测模型生成的目标轨迹，通过多帧一致性抑假阳性、插入预测轨迹补假阴性，在nuScenes数据集上提升了标准半监督方法性能。
2024-09-17 cs.CV
Compete to Win: Enhancing Pseudo Labels for Barely-supervised Medical Image Segmentation
Hong Kong University of Science and Technology（香港科技大学）；The Hong Kong University of Science and Technology Shenzhen Research Institute（香港科技大学深圳研究院）
针对极简监督医学图像分割中伪标签精度低的问题，提出ComWin和ComWin+方法，通过多网络置信度图竞争策略及边界感知增强模块提升伪标签质量，在三个医学图像分割数据集上取得最佳性能。
2023-07-30 cs.CV
Semi-Supervised Video Salient Object Detection Using Pseudo-Labels
Sun Yat-sen University（中山大学）；DarkMatter AI Research（暗物质人工智能研究院）；Shenzhen Research Institute of Big Data, the Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）深圳大数据研究院）；Megvii Technology（旷视科技）
基于深度学习的视频显著目标检测最近取得了巨大的成功，其性能显着优于任何其他无监督方法。然而，现有的数据驱动方法严重依赖于大量的逐像素注释的视频帧来提供这样有希望的结果。在本文中，我们解决了半监督视频显著目标检测任务使用伪标签。具体来说，我们提出了一个有效的视频显着性检测器，由一个空间细化网络和时空模块。基于相同的细化网络和运动信息的光流，我们进一步提出了一种新的方法，用于产生像素级的伪标签从稀疏注释帧。通过利用生成的伪标签以及部分手动注释，我们的视频显着性检测器学习空间和时间线索的对比度推断和一致性增强，从而产生准确的显着性图。实验结果表明，我们提出的半监督方法在VOS，DAVIS和FBMS三个公共基准测试中的性能甚至大大优于所有最先进的全监督方法。
2019-11-29 cs.CV
BEEP3D: Box-Supervised End-to-End Pseudo-Mask Generation for 3D Instance Segmentation
Korea Advanced Institute of Science and Technology（韩国科学技术院）
BEEP3D提出框监督的端到端3D实例分割方法，采用学生-教师框架和两种一致性损失，在ScanNetV2和S3DIS上达到先进性能。
2025-10-14 cs.CV
Pseudo-Label Noise Suppression Techniques for Semi-Supervised Semantic Segmentation
University of Augsburg（奥格斯堡大学）
半监督学习（SSL）可以通过将未标记的数据合并到训练中来减少对大型标记数据集的需求。这对于语义分割来说特别有趣，因为标记数据非常昂贵和耗时。目前的SSL方法使用初始监督的训练模型来生成未标记图像的预测，称为伪标签，随后用于从头开始训练新模型。由于预测通常不是来自无误差的神经网络，它们自然充满了错误。然而，使用部分不正确的标签进行训练通常会降低最终模型的性能。因此，明智地管理伪标签的错误/噪声至关重要。在这项工作中，我们使用三种机制来控制伪标签噪声和错误：（1）我们构建了一个坚实的基础框架，通过混合图像与奶牛模式的未标记的图像，以减少错误的伪标签的负面影响。然而，错误的伪标签仍然对性能产生负面影响。因此，（2）我们提出了一种简单有效的伪标签损失加权方案，该方案由在这些伪标签上训练的模型的反馈定义。这允许我们在训练期间基于伪标签训练样本的确定的置信度分数对伪标签训练样本进行软加权。(3)我们还研究了忽略低置信度伪标签的常见做法，并实证分析了不同置信度范围的伪标签对SSL的影响和效果，以及伪标签过滤对可实现的性能增益的贡献。我们表明，我们的方法在各种数据集上的性能优于最先进的替代方案。此外，我们表明，我们的研究结果也转移到其他任务，如人体姿态估计。我们的代码可在https://github.com/ChristmasFan/SSL_Denoising_Segmentation上获得。
2022-10-19 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
Denoising and Selecting Pseudo-Heatmaps for Semi-Supervised Human Pose Estimation
The University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；AWS AI Labs（AWS人工智能实验室）
本研究针对半监督人体姿态估计任务，对双学生框架进行改进，提出伪热图去噪生成与跨学生不确定性引导的目标选择方法，在COCO基准上取得优于现有方法的性能，极低数据场景下提升显著。
2023-09-29 cs.CV
SAMST: A Transformer framework based on SAM pseudo label filtering for remote sensing semi-supervised semantic segmentation
Zhejiang University（浙江大学）；Zhejiang Dahua Technology Co., Ltd（浙江大华技术有限公司）
本文提出SAMST，一种基于SAM伪标签过滤的遥感半监督语义分割Transformer框架，通过结合大模型泛化能力与小模型训练效率迭代优化伪标签，提升分割性能。
2025-07-16 cs.CV
HoughCL: Finding Better Positive Pairs in Dense Self-supervised Learning
Korea University（高丽大学）；Scatter Lab；NAVER Clova；NAVER Clova AI Research
近年来，自监督方法在图像级表示学习中取得了显著的成绩。然而，他们的图像级的自我监督导致学习的表示，以次优的密集预测任务，如目标检测，实例分割等，为了解决这个问题，最近的几个自监督学习方法已扩展图像级的单嵌入像素级的密集嵌入。与图像级表示学习不同，由于增强的空间变形，很难对像素级正对进行采样。以前的研究已经采样像素级的积极对使用赢家通吃之间的相似性或阈值之间的密集嵌入的翘曲距离。然而，这些朴素的方法可能会受到背景杂波和离群值问题的困扰。在本文中，我们介绍了Hough对比学习（HoughCL），Hough空间为基础的方法，加强两个密集的功能之间的几何一致性。HoughCL实现了对背景杂波和离群值的鲁棒性。此外，与基线相比，我们的稠密正配对方法没有额外的可学习参数，并且具有较小的额外计算成本。与以前的工作相比，我们的方法在密集预测微调任务上表现出更好或相当的性能。
2021-11-21 cs.CV
Pseudo-label Alignment for Semi-supervised Instance Segmentation
Xiamen University（厦门大学）；Contemporary Amperex Technology Co. Limited（宁德时代新能源科技股份有限公司）
本文提出PAIS框架，通过动态对齐损失DALoss解决半监督实例分割中伪标签因类别与掩码质量不匹配被过滤的问题，在COCO和Cityscapes上显著超越现有方法。
2023-08-10 cs.CV
Co-training with High-Confidence Pseudo Labels for Semi-supervised Medical Image Segmentation
Northeastern University（东北大学）；Fujian Normal University（福建师范大学）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；University of Alberta（阿尔伯塔大学）；Alberta Machine Intelligence Institute（阿尔伯塔机器智能研究所）
针对半监督医学图像分割中协同训练过早收敛和伪标签置信度低的问题，本文提出 UCMT 模型，通过协同均值教师和不确定性引导区域混合保持模型分歧并提升伪标签质量，在四个公开数据集上取得最优性能。
2023-05-26 cs.CV
Railroad is not a Train: Saliency as Pseudo-pixel Supervision for Weakly Supervised Semantic Segmentation
Yonsei University（延世大学）；Sungkyunkwan University（成均馆大学）
现有的弱监督语义分割（WSSS）研究中使用图像级弱监督有几个局限性：稀疏的对象覆盖，不准确的对象边界，和来自非目标对象的共现像素。为了克服这些挑战，我们提出了一种新的框架，即显式伪像素监督（EPS），它通过结合两个弱监督从像素级反馈中学习;图像级标签通过本地化映射提供对象身份，显着性映射来自现成的显着性检测模型提供了丰富的边界。我们设计了一个联合训练策略，充分利用两者之间的信息互补关系。我们的方法可以获得准确的对象边界和丢弃共现像素，从而显着提高伪掩模的质量。实验结果表明，该方法通过解决WSSS的关键挑战，显著优于现有方法，并在PASCAL VOC 2012和MS COCO 2014数据集上实现了新的最先进性能。
2021-05-19 cs.CV
Decoupled Spatial Neural Attention for Weakly Supervised Semantic Segmentation
Nanyang Technological University（南洋理工大学）；The University of Adelaide（阿德莱德大学）
弱监督的语义分割得到了很多研究的关注，因为它强调了需要获得大量的密集像素明智的地面实况注释的训练图像。与其他形式的弱监督相比，图像标签的获取效率相当高。在我们的工作中，我们专注于弱监督语义分割与图像标签标注。这项任务的最新进展在很大程度上取决于生成的伪注释的质量。在这项工作中，灵感来自空间神经注意图像描述，我们提出了一个解耦的空间神经注意网络生成伪注释。我们的解耦注意力结构可以同时识别目标区域和定位有区别的部分，在一个前向路径中生成高质量的伪注释，生成的伪注释导致分割结果，达到了最先进的弱监督语义分割。
2018-03-07 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
Time Does Tell: Self-Supervised Time-Tuning of Dense Image Representations
University of Amsterdam（阿姆斯特丹大学）
针对稠密自监督学习忽视视频时序数据的问题，提出time-tuning方法，用自监督时序对齐聚类损失在无标注视频上微调图像预训练模型，提升视频和图像表征质量，视频无监督语义分割超SOTA 8-10%。
2023-08-22 cs.CV
Semi-Weakly Supervised Object Detection by Sampling Pseudo Ground-Truth Boxes
École de technologie supérieure（高等技术学院）；Ericsson（爱立信）
半监督学习和弱监督学习最近在目标检测文献中引起了相当大的关注，因为它们可以减轻成功训练深度学习模型所需的注释成本。半监督学习的最新方法依赖于使用多阶段过程训练的学生-教师模型和相当大的数据增强。自定义网络是为弱监督环境开发的，因此很难适应不同的检测器。在本文中，介绍了一种弱半监督训练方法，该方法减少了这些训练挑战，但通过仅利用一小部分具有弱标记图像信息的完全标记图像来实现最先进的性能。特别是，我们的通用基于采样的学习策略以在线方式产生伪地面实况（GT）限界框注释，消除了对多阶段训练和学生-教师网络配置的需要。这些伪GT盒是从弱标记图像中采样的，基于通过分数传播过程积累的对象建议的分类分数。Pascal VOC数据集上的实证结果表明，当使用VOC 2007作为完全标记数据时，所提出的方法将性能提高了5.0%，而VOC 2012作为弱标记数据。此外，对于5-10%的完全注释的图像，我们观察到mAP的改善超过10%，这表明对图像级注释的适度投资可以大大提高检测性能。
2022-06-16 cs.CV
Semi-supervised Semantic Segmentation with Error Localization Network
POSTECH（浦项科技大学）
本文研究了语义分割的半监督学习方法。未标记的图像通常被分配伪标签以用于训练，然而，由于伪标签上的错误的确认偏差，这通常会导致性能下降的风险。我们提出了一种新的方法，解决了这个长期存在的伪标记问题。我们方法的核心是错误定位网络（ELN），这是一个辅助模块，它将图像及其分割预测作为输入，并识别其伪标签可能错误的像素。ELN使半监督学习能够通过在训练期间忽略标签噪声而对不准确的伪标签具有鲁棒性，并且可以自然地与自训练和对比学习集成。此外，我们引入了一种新的学习策略ELN，模拟合理的和不同的分割错误在训练ELN，以提高其泛化。我们的方法在PASCAL VOC 2012和Cityscapes上进行了评估，在每个评估设置中，它都优于所有现有的方法。
2022-06-01 cs.CV
Dense Contrastive Learning for Self-Supervised Visual Pre-Training
The University of Adelaide（阿德莱德大学）；Tongji University（同济大学）；ByteDance AI Lab（字节跳动人工智能实验室）
迄今为止，大多数现有的自监督学习方法都是针对图像分类而设计和优化的。由于图像级预测和像素级预测之间的差异，这些预先训练的模型对于密集预测任务可能是次优的。为了填补这一空白，我们的目标是设计一个有效的，密集的自监督学习方法，直接工作在像素（或局部特征）的水平，考虑到局部特征之间的对应关系。我们提出了密集对比学习，它实现了自监督学习，通过优化一对对比（不）相似性损失在像素级之间的两个视图的输入图像。与基线方法MoCo-v2相比，我们的方法引入了可忽略不计的计算开销（仅慢<1%），但在转移到下游密集预测任务（包括目标检测，语义分割和实例分割）时表现出一贯的优越性能;并且远远优于最先进的方法。具体而言，在强大的MoCo-v2基线上，我们的方法在PASCAL VOC目标检测上实现了2.0%的AP，在COCO目标检测上实现了1.1%的AP，在COCO实例分割上实现了0.9%的AP，在PASCAL VOC语义分割上实现了3.0%的mIoU，在Cityscapes语义分割上实现了1.8%的mIoU。代码可在：https://git.io/AdelaiDet
2021-04-04 cs.CV
Non-Iterative Scribble-Supervised Learning with Pacing Pseudo-Masks for Medical Image Segmentation
Shenzhen University（深圳大学）；Tianjin University（天津大学）
针对涂鸦监督医学图像分割中迭代伪掩码训练笨重且易受错误标签影响的问题，提出非迭代 PacingPseudo，通过孪生一致性训练、熵正则化、失真增强和记忆库提升性能。
2023-09-28 cs.CV
Exploring Set Similarity for Dense Self-supervised Representation Learning
University of Sydney（悉尼大学）；Kuaishou Technology（快手科技）；Xidian University（西安电子科技大学）；University of Melbourne（墨尔本大学）
通过考虑空间对应性，密集自监督表示学习在各种密集预测任务上取得了优异的性能。然而，像素级对应往往是嘈杂的，因为许多类似的误导像素，例如，背景为了解决这个问题，在本文中，我们建议探索\textbf{set} \textbf{sim} ilarity（SetSim）的密集自监督表示学习。由于集合包含更多的语义和结构信息，我们将像素相似性学习推广到集合相似性学习，以提高鲁棒性。具体来说，通过诉诸注意力的意见，我们建立相应的集，从而过滤掉嘈杂的背景，可能会导致不正确的对应关系。同时，这些注意特征可以保持同一图像在不同视角下的一致性，以缓解语义不一致。我们进一步搜索集合的交叉视图最近邻，并采用结构化的邻域信息来增强鲁棒性。实验结果表明，SetSim在目标检测、关键点检测、实例分割和语义分割方面优于现有的方法。
2022-03-14 cs.CV
When Confidence Fails: Revisiting Pseudo-Label Selection in Semi-supervised Semantic Segmentation
Central South University（中南大学）
针对半监督语义分割中固定置信度阈值无法应对网络过度自信及丢弃低置信度预测破坏上下文的问题，提出CSL方法，通过凸优化建立样本特定决策边界并随机掩码可靠像素，在多个基准上取得优异性能。
2025-09-20 cs.CV
Progressive Pseudo-Label Optimization for Point-Supervised Change Detection
Dalian Maritime University（大连海事大学）；School of Electronic Information and Artificial Intelligence, Shaanxi University of Science and Technology（陕西科技大学电子信息与人工智能学院）；School of Robotics, Hunan University（湖南大学机器人学院）；Department of Electronic and Electrical Engineering, Brunel University of London（布鲁内尔伦敦大学电子与电气工程系）
针对点监督变化检测的伪标签不完整且含噪问题，提出引入SAM2先验的两阶段渐进式优化框架，在三类基准数据集上表现优于多数弱监督方法且具全监督方法竞争力。
2026-11-03 cs.CV
Semi-Supervised Semantic Segmentation via Gentle Teaching Assistant
The Chinese University of Hong Kong（香港中文大学）；Shanghai AI Laboratory（上海人工智能实验室）
半监督语义分割的目标是利用有限的标记数据和大量的未标记数据训练分割模型。为了有效地利用未标记的数据，伪标记，以及师生框架，被广泛采用在半监督语义分割。虽然该方法被证明是有效的，但不可避免地存在错误的伪标签，并将其作为辅助训练数据。为了减轻不正确的伪标签的负面影响，我们深入研究了当前的半监督语义分割框架。我们认为，带有伪标签的未标记数据可以促进特征提取器中的代表性特征的学习，但它是不可靠的监督掩模预测器。出于这一考虑，我们提出了一个新的框架，温柔的教学助理（GTA-Seg）解开的学生模型的特征提取器和掩模预测的伪标签的影响。具体来说，除了原有的师生框架外，我们的方法还引入了一个教学辅助网络，它直接从教师网络生成的伪标签中学习。GTA（gentle teaching assistant）之所以被称为Gentle，是因为它只将特征提取器中的有益特征表示知识以指数移动平均（EMA）的方式传递给学生模型，保护学生模型免受掩码预测器中不可靠的伪标签造成的负面影响。学生模型也由可靠的标记数据来监督，以训练准确的掩模预测器，进一步促进特征表示。在基准数据集上的大量实验结果验证了我们的方法与以前的方法相比具有竞争力的性能。代码可在https://github.com/Jin-Ying/GTA-Seg上获得。
2023-01-18 cs.CV
Efficient Teacher: Semi-Supervised Object Detection for YOLOv5
Alibaba Group（阿里巴巴集团）
半监督目标检测（SSOD）已经成功地提高了R-CNN系列和无锚检测器的性能。然而，单级锚点检测器缺乏生成高质量或灵活的伪标签的结构，导致SSOD中严重的不一致性问题。在本文中，我们提出了一个高效的教师框架，可扩展的和有效的一阶段基于锚的SSOD训练，由密集检测器，伪标签分配器，和时代适配器。Dense Detector是一个基线模型，它使用受YOLOv 5启发的密集采样技术扩展了RetinaNet。Efficient Teacher框架引入了一种新的伪标签分配机制，称为伪标签分配器，它可以更精确地使用来自Dense Detector的伪标签。Epoch Adaptor是一种为Dense Detector实现稳定和高效的端到端半监督训练计划的方法。伪标签分配器避免了师生互学机制中大量低质量伪标签对密集检测器的干扰而产生偏差，历元适配器利用域和分布自适应，使密集检测器学习全局分布的一致特征，使得训练与标签数据的比例无关。我们的实验表明，高效的教师框架实现了最先进的结果VOC，COCO标准，COCO附加使用更少的FLOP比以前的方法。据我们所知，这是首次尝试将半监督目标检测应用于YOLOv 5。代码可在https://github.com/AlibabaResearch/efficientteacher上找到
2023-03-14 cs.CV
PGTRNet: Two-phase Weakly Supervised Object Detection with Pseudo Ground Truth Refinement
University of Warwick（华威大学）；Shanghai Jiao Tong University（上海交通大学）；Griffith University（格里菲斯大学）
当前的弱监督目标检测（WSOD）研究主要遵循两阶段训练策略，该策略将全监督检测器（FSD）与纯WSOD模型相结合。有两个主要问题阻碍了两阶段WSOD方法的性能，即，不充分的学习问题和FSD和由WSOD模型生成的伪真值（PGT）之间的严格依赖。本文提出了伪真值精化网络（PGTRNet），一个简单而有效的方法，不引入任何额外的学习参数，以应付这些问题。PGTRNet利用多个边界框来建立PGT，从而缓解了学习不足的问题。此外，我们提出了一种新的在线PGT细化方法，通过在第二阶段训练中充分利用FSD的能力，将第一阶段和第二阶段模型解耦，稳步提高PGT的质量。详细的实验进行PASCAL VOC 2007基准测试，以验证我们的方法的有效性。实验结果表明，PGTRNet提高了骨干模型的2.1%mAP，达到了最先进的性能。
2022-03-17 cs.CV
Self-supervised dense representation learning for live-cell microscopy with time arrow prediction
École polytechnique fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
提出基于时间箭头预测的自监督预训练方法，从无标注活细胞视频中学习密集图像表示，在细胞分割与检测任务上优于监督方法，尤其在标注有限时表现突出。
2023-07-26 cs.CV
Adaptive Affinity Loss and Erroneous Pseudo-Label Refinement for Weakly Supervised Semantic Segmentation
Xidian University（西安电子科技大学）；Xi’an Jiaotong University（西安交通大学）；University of Leicester（莱斯特大学）
语义分割在过去的十年中得到了不断的研究，并且大多数已建立的技术都是基于监督模型的。近年来，图像级弱监督语义分割（WSSS），包括单阶段和多阶段的过程，吸引了大量的关注，由于数据标记效率。在本文中，我们提出将多阶段方法的亲和学习嵌入到单阶段模型中。具体来说，我们引入了自适应的亲和力损失，以彻底学习局部成对亲和力。因此，深度神经网络用于在训练阶段传递全面的语义信息，同时提高最终预测模块的性能。另一方面，考虑到伪标签中存在错误，我们提出了一种新的标签重分配损失来减轻过拟合。在PASCAL VOC 2012数据集上进行了大量的实验，以评估我们提出的方法的有效性，该方法优于其他标准的单阶段方法，并与几种多阶段方法实现了相当的性能。
2021-08-03 cs.CV
Enhancing Dual Network Based Semi-Supervised Medical Image Segmentation with Uncertainty-Guided Pseudo-Labeling
School of Artificial Intelligence, Guilin University of Electronic Technology, Guilin, China, 541004（桂林电子科技大学人工智能学院）；The Laboratory for Imagery, Vision and Artificial Intelligence, École de Technologie Supérieure, Montreal, Canada, H3C 1K3（影像、视觉与人工智能实验室）；College of Medicine, Taibah University, Al Madinah, Saudi Arabia, 42353（塔布大学医学院）；Department of Radiology, Prince Mohammed Bin Abdulaziz Hospital, Ministry of National Guard Health Affairs, Al Madinah, Saudi Arabia, 42324（王子穆罕默德·本·阿卜杜勒阿齐兹医院放射科）；College of Computer Science and Engineering, Taibah University, Madinah, Saudi Arabia, 42353（塔布大学计算机科学与工程学院）；College of Computer Science and Engineering, Jeddah University, Jeddah, Saudi Arabia, 23445（吉达大学计算机科学与工程学院）
本文提出一种基于双网络架构的3D半监督医学图像分割框架，通过交叉一致性增强模块、不确定性感知动态加权策略及自监督对比学习机制，有效减少伪标签噪声并降低预测不确定性，在三个数据集上取得优于SOTA的性能。
2025-09-16 cs.CV
Dense FixMatch: a simple semi-supervised learning method for pixel-wise prediction tasks
KTH Royal Institute of Technology（瑞典皇家理工学院）；Univrses AB（Univrses公司）
我们提出了Dense FixMatch，这是一种简单的方法，用于密集和结构化预测任务的在线半监督学习，通过强数据增强结合伪标记和一致性正则化。通过在伪标签上添加匹配操作，我们使FixMatch在图像分类之外的半监督学习问题中的应用成为可能。这使得我们仍然可以使用数据增强管道的全部功能，包括几何变换。我们评估它的半监督语义分割城市景观和Pascal VOC与不同百分比的标记数据和消融设计选择和超参数。与仅使用标记数据的监督学习相比，Dense FixMatch显著改善了结果，接近其使用1/4标记样本的性能。
2022-10-18 cs.CV cs.LG
SP${ }^3$ : Superpixel-propagated pseudo-label learning for weakly semi-supervised medical image segmentation
School of Basic Medical Science, Fudan University（复旦大学基础医学院）；Academy for Engineering and Technology, Fudan University（复旦大学工程与技术学院）
针对弱半监督医学图像分割监督信息不足的挑战，提出超像素传播伪标签学习方法，利用超像素结构信息优化伪标签并引入不确定性指导监督，在仅用3%标注下达到约80% Dice分数。
2024-11-18 cs.AI cs.CV
Leveraging Fixed and Dynamic Pseudo-labels for Semi-supervised Medical Image Segmentation
Indian Institute of Technology Roorkee（鲁尔基印度理工学院）
针对半监督医学图像分割中单一伪标签精度不足的问题，提出结合固定与动态伪标签的协同训练方法，在多个基准数据集上显著优于现有方法。
2024-05-12 cs.CV eess.IV
Semi-Supervised Semantic Segmentation Based on Pseudo-Labels: A Survey
School of Computer Science, Northwestern Polytechnical University（西北工业大学计算机学院）
本文综述半监督语义分割中的伪标签方法，从多角度分类最新技术，介绍医学与遥感图像应用，并指出未来研究方向。
2025-03-18 cs.AI cs.CV
Synergy-Guided Regional Supervision of Pseudo Labels for Semi-Supervised Medical Image Segmentation
Fuzhou University（福州大学）；Macao Polytechnic University（澳门理工大学）
针对半监督医学图像分割中伪标签的噪声污染问题，提出SGRS-Net框架，基于mean teacher网络结合Mix Augmentation模块和Region Loss Evaluation模块对伪标签进行区域划分与损失评估，在LA数据集上取得优于SOTA的性能。
2024-11-13 cs.CV cs.LG
n-CPS: Generalising Cross Pseudo Supervision to n Networks for Semi-Supervised Semantic Segmentation
AI Clearing, Inc.（AI清算公司）；Semantic Technology Institute, Department of Computer Science, University of Innsbruck（因斯布鲁克大学语义技术研究所）；Institute of Informatics, University of Warsaw（华沙大学信息学研究所）
我们提出了n-CPS -最近国家的最先进的交叉伪监督（CPS）的方法的半监督语义分割的任务的概括。在n-CPS中，有n个同时训练的子网络，它们通过one-hot编码扰动和一致性正则化相互学习。我们还表明，应用于子网络输出的集成技术可以显着提高性能。据我们所知，n-CPS搭配CutMix的性能优于CPS，并为Pascal VOC 2012设定了最新的技术水平（1/16，1/8，1/4和1/2监督制度）和Cityscapes（1/16监督）。
2022-04-11 cs.AI cs.CV cs.LG
Enhancing Pseudo Label Quality for Semi-Supervised Domain-Generalized Medical Image Segmentation
The Hong Kong University of Science and Technology（香港科技大学）；The Chinese University of Hong Kong（香港中文大学）；The Hong Kong University of Science and Technology Shenzhen Research Institute（香港科技大学深圳研究院）
将医学图像分割算法推广到未知领域是计算机辅助诊断和手术的重要研究课题。大多数现有的方法需要在每个源域中的完全标记的数据集。尽管一些研究人员开发了半监督的领域广义方法，但它仍然需要领域标签。提出了一种新的置信度感知的交叉伪监督算法，用于半监督域广义医学图像分割。主要目标是提高伪标签质量的未标记的图像从未知的分布。为了实现它，我们执行傅立叶变换来学习跨域的低级统计信息，并增强图像以包含跨域信息。通过这些增强作为扰动，我们将输入馈送到置信度感知的交叉伪监督网络，以测量伪标签的方差，并正则化网络，以使用更自信的伪标签进行学习。我们的方法在公共数据集上创造了新的记录，即，M& M和SCGM。值得注意的是，在不使用域标签的情况下，我们的方法在具有2%标记数据的Dice on M&Ms数据集上甚至超过了使用域标签的现有技术11.67%。代码可在https://github.com/XMed-Lab/EPL_SemiDG上获得。
2022-03-17 cs.AI cs.CV
