Transfattyacids的博客

题目：《MixTeacher: Mining Promising Labels with Mixed Scale Teacher for Semi-Supervised Object Detection》，CVPR 2023日期：2023.3.16单位：腾讯，上海交通大学，浙江大学，荣旗工业科技公司论文地址：http://arxiv.org/abs/2303.09061作者。

题目：《Guided Distillation for Semi-Supervised Instance Segmentation》，用于半监督实例分割的指导蒸馏，WACV(计算机视觉应用冬季会议，未进入CCF)日期：2023.12.14单位：FAIR, Meta, 格勒诺布尔-阿尔卑斯大学论文地址：https://arxiv.org/abs/2308.02668作者摘要尽管实例分割方法已经有了很大的改进，但主要的范例是依赖于满符号的训练图像，这很难获得。

题目：《InPL: Pseudo-labeling the Inliers First for Imbalanced Semi-supervised Learning》,ICLR’23​ InPL:不平衡半监督学习中的分布内伪标记优先日期：2023.2.2单位：威斯康星大学麦迪逊分校论文地址：https://openreview.net/forum?GitHub：-作者Zhuoran Yu研究领域：之前是目标检测，今年发了两篇半监督相关的，一个是这篇，一个是人体姿态估计。

题目：《Conflict-Based Cross-View Consistency for Semi-Supervised Semantic Segmentation》，CVPR’23, 基于冲突的半监督语义分割跨视图一致性日期：2023.5.2单位：悉尼大学，香港大学，三星研究所论文地址：https://arxiv.org/abs/2303.01276作者Zicheng Wang，找不到Zhen Zhao个人主页：http://zhaozhen.me/Xiaoxia Xing，找不到。

题目：《Semi-Supervised Semantic SegmentationUsingUnreliablePseudo-Labels》，CVPR’22​ U2PL: 基于不可靠伪标签的半监督语义分割日期：2022.3.14单位：上海交通大学, 香港中文大学, 商汤科技论文地址：https://arxiv.org/abs/2203.03884项目地址：https://haochen-wang409.github.io/U2PL/

题目：《Semi-Supervised Object Detection with Adaptive Class-Rebalancing Self-Training》，AAAI’22， 基于自适应类再平衡自训练的半监督目标检测日期：2021.7.11(v1)，2022.6.28(AAAI’22)单位：清华大学论文地址：https://arxiv.org/abs/2107.05031GitHub：-作者。

题目：《Enhancing Sample Utilization through Sample Adaptive Augmentation in Semi-Supervised Learning》，​ 半监督学习中通过样本自适应增强提高样本利用率日期：2023.9.7单位：南京大学，悉尼大学，东南大学论文地址：http://arxiv.org/abs/2309.03598作者第一作者找不到眼熟的第二作者赵振，个人主页：http://zhaozhen.me/其他作者（略）摘要。

题目：《Rethinking Scale Imbalance in Semi-supervised Object Detection for Aerial Images》，重新思考航空图像半监督目标检测中的尺度不平衡（已提交IEEE）日期：2023.10.23单位：武汉大学，北京空天地一体化信息技术国家重点实验室论文地址：Rethinking Scale Imbalance in Semi-supervised Object Detection for Aerial ImagesGitHub：作者

题目：《Shrinking Class Space for Enhanced Certainty in Semi-Supervised Learning》，ICCV 2023​ 缩小类空间以提高半监督学习的确定性日期：2023.8.13单位：香港大学、南京大学、上海AI Lab、悉尼大学、东南大学论文地址：https://arxiv.org/abs/2308.06777GitHub：https://github.com/LiheYoung/ShrinkMatchLihe Yang个人主页：https:

商汤、上海AI实验室、新加坡国立大学、北京大学作者研究方向主要是模型架构研究、半监督学习、目标检测共同一作个人主页：https://adamdad.github.io/其他作者摘要在本研究中，我们深入研究了半监督目标检测（SSOD）中伪目标的不一致性。我们的核心观察结果是，振荡的伪目标破坏了精确探测器的训练。它给学生的训练注入了噪音，导致了严重的过拟合问题。因此，我们提出了一个系统的解决方案，称为Consistent Teacher，以减少不一致性。首先，自适应锚分配（ASA）

题目：《RSPrompter: Learning to Prompt for Remote Sensing Instance Segmentation based on Visual Foundation Model 》，基于视觉基础模型的遥感实例分割提示学习日期：2023.6.28单位：北航、北京数字媒体重点实验室、虚拟现实技术与系统国家重点实验室、上海人工智能实验室论文地址：https://arxiv.org/abs/2306.16269作者：陈科研。

LISA: Reasoning Segmentation via Large Language Model》基于大型语言模型的推理分割日期：2023.8.1(v1)单位：香港中文大学，思谋科技，微软亚洲研究院论文地址：https://arxiv.org/abs/2308.00692作者：赖昕，香港中文大学三年级博士生，师从贾佳亚教授。主要研究方向是三维点云感知，迁移学习，半监督学习，小样本学习。已发表顶会顶刊论文8篇，其中一作4篇。同等贡献其他作者（Jiaya Jia：贾佳亚）

Segment Anything in High Quality》高质量的分割任何内容日期：2023.6.2单位：苏黎世联邦理工学院，香港科技大学论文地址：https://arxiv.org/abs/2306.01567作者：柯磊个人主页：http://www.kelei.site/与SAM相关的paper提出模型：SAM-PT，一种将稀疏点追踪与 SAM 相结合用于视频分割的方法通过级联注意力提高DETR的通用检测精度。

Semantic-SAM: Segment and Recognize Anything at Any Granularity（语义-SAM：多粒度、多语义的统一分割模型单位：香港科技大学，微软， IDEA，威斯康星大学麦迪逊分校，香港大学，清华日期：2023.7.10第一作者：李峰本文简述：Semantic-SAM是一个在多个粒度(granularity)上分割(segment)和识别(recognize)物体的通用图像分割模型。和SAM相比，该模型有两个优点：(1) 语义感知，即模型能够给分割出的实体

今年4月，Meta AI公开了Segment Anything Model（SAM），分割一切模型论文：2023年4月5日v1发布于arXiv线上体验demo网站地址：https://segment-anything.com/现已收录ICCV2023（影响因子IS：40.60目标。

​ 分层的，开放词汇的通用图像分割单位：加州大学伯克利分校，松下人工智能研究；日期：2023.7.3第一作者：王旭东，研究领域：计算机视觉、机器学习。通过消除预定义对象类和粒度的约束，HIPIE为图像分割提供了更灵活、适应性更强的解决方案。HIPIE:v名词解释：Open-vocabulary：核心思想与zero-shot类似，在都是。