半监督目标检测：从 CNN 到 Transformer 的进展综述
原文中文，约1300字，阅读约需4分钟。
📝
内容提要
本文综述了半监督目标检测的研究进展，重点讨论数据增强、标注和损失函数等方面，提出了多种新型模型和算法，并展示了其在遥感图像和开放集检测中的优越性能，强调了伪标签生成和特征对齐的重要性。
❓
Q&A
半监督目标检测的主要研究方向有哪些？
主要研究方向包括数据增强、数据标注、损失函数和常见基准数据集等。
新型半监督定向目标检测模型的特点是什么？
该模型通过两种损失函数提供更好的监督，超越了现有方法，并在DOTA-v1.5基准测试中表现优异。
如何提高假标签生成的质量？
通过引入新的学习机制、自适应阈值机制和Jitter-Bagging模块来提高标签生成质量。
SS-OWOD方法的优势是什么？
SS-OWOD方法通过减少注释成本和利用特征对齐，在遥感物体检测中取得了良好的效果。
Instant-Teaching框架的主要功能是什么？
Instant-Teaching框架使用即时伪标记和扩展的弱-强数据增强进行教学，实验证明其优于现有方法。
DenSe Learning算法的创新点有哪些？
该算法包含自适应过滤策略、聚合型教师和跨尺度不确定性一致性正则化等新技术，取得了新的最优结果。
🏷️
