Closure

一些流行的方法，例如一致性正则化或伪标签，甚至可能会损害对表现不佳的类别的学习，因为这些类别的预测或伪标签可能太不准确，无法指导对未标记数据的学习。我们的方法在众所周知的公共基准上优于当前最先进的半监督语义分割和半监督域适应，在最具挑战性的场景（即可用的标记数据较少）上有更大的改进。即使是不可靠的预测结果，虽然无法打上确定的伪标签，但仍可以作为部分类别的负样本，从而参与到模型的训练，从而让所有的无标签样本都能在训练过程中发挥作用。此外，在前景-背景不平衡的标记数据上训练的模型容易产生有偏差的预测。...

(2022 CVPR) U2PL Semi-Supervised Semantic Segmentation Using Unreliable Pseudo-LabelsMotivation: 半监督语义分割的关键是为未标记图像的像素分配足够的伪标签。即使是不可靠的预测结果，虽然无法打上确定的伪标签，但仍可以作为部分类别的负样本，从而参与到模型的训练，从而让所有的无标签样本都能在训练过程中发挥作用。Method:   教师网络和学生网络：学生网络权重更新和一般网络更新过程相同，教师网络用EMA更新网络

ST++: Make Self-training Work Better for Semi-supervised Semantic Segmentation 对更可靠的未标记图像进行选择和优先排序来实现选择性再训练 衡量图像可靠性或不确定性的方法是计算在整个训练过程中，在不同迭代中 evolving pseudo masks的稳定性。 ...