qq_43583311的博客

最近，深度学习在各种计算机视觉任务中展现出了巨大的前景。然而，在许多实际应用中，没有大规模的标记数据集，这限制了深度学习的应用。为了解决这个问题，半监督学习引起了计算机视觉界的广泛关注，尤其是在医学图像分析领域。本文分析了现有的深度半监督医学图像分割研究，并将其分为五大类（即伪标记、一致性正则化、基于 GAN 的方法、基于对比学习的方法和混合方法）。随后，我们通过在两个常见数据集上进行实验，对几种具有代表性的方法进行了实证分析。此外，我们还指出了未来几个有前景的研究方向。

Zhang 等人，2017）（图 4(b)）。与 Wang，Li 等人（2022 年）和 Wu，Wang 等人（2022 年）类似，一种跨级对比学习算法（You，Zhou 等人，2022 年）被设计用来增强半监督语义分割中局部特征的表示能力。然而，多模态半监督学习面临着一些挑战，主要包括数据模态缺失（Maheshwari, Liu, & Kira, 2023）、模态间类不平衡（Zhang, Zhang et al.，2023）和多模态数据异质性（Chen, Zhou, Liu et al.，2022）。

语义分割是计算机视觉领域的一个重要而热门的研究领域，其重点是根据图像中像素的语义对其进行分类。然而，有监督的深度学习需要大量数据来训练模型，而逐个像素标记图像的过程耗时费力。本综述旨在首次全面、有序地概述半监督语义分割领域中伪标签方法的最新研究成果，我们从不同角度对其进行了分类，并介绍了针对特定应用领域的具体方法。此外，我们还探讨了伪标签技术在医疗和遥感图像分割中的应用。最后，我们还针对现有挑战提出了一些可行的未来研究方向。

与繁琐的多阶段相比，带有图像级标签的单阶段弱监督语义分割（WSSS）因其简化性而受到越来越多的关注。受限于类激活图（CAM）固有的模糊性，我们发现单阶段方法经常会遇到由不正确的 CAM 伪标签引起的确认偏差，从而影响其最终的分割性能。虽然最近的研究抛弃了许多不可靠的伪标签，隐性地缓解了这一问题，但它们未能对其模型进行充分的监督。为此，我们提出了具有可信渐进学习（DuPL）的双学生框架。具体来说，我们提出了一个双学生网络，通过差异损失为每个子网络生成不同的 CAM。