半监督目标检测：从 CNN 到 Transformer 的进展综述

本文综述了半监督目标检测的五个方面，包括数据增强、数据标注、损失函数和常见基准数据集等。

提出了一种新型的半监督定向目标检测模型，通过两种损失函数提供更好的监督，超越现有方法。

基于 DenSe Learning 的锚点自由半监督目标检测算法取得了新的最优结果，包含自适应过滤策略和跨尺度不确定性一致性正则化等技术。

采用可信教师模型的端到端框架有效抑制 O-SSOD 的负面影响，显著优于现有模型。

在遥感图像目标检测中，提出的方法在未标记数据上进行半监督学习，证明了其在开放集半监督目标检测中的卓越性能。

新方法引入新的学习机制以提高假标签生成质量，表现出色且只需少量标记数据即可实现 100% 的监督表现。

介绍了一个有效的半监督物体检测框架 Instant-Teaching，实验证明优于现有方法。

提出的半监督开放世界检测方法 SS-OWOD 通过减少注释成本和利用特征对齐取得良好效果。

SOOD++ 方法在多方向对象和航拍图像方面获得了较好的结果。

调查了 60 多个研究论文，涵盖了 2020 年至 2023 年开发的转换器在小目标检测任务上的性能。