本研究分析了半监督学习中伪标签过滤的缺陷，提出了一种不确定性意识的集成结构（UES），通过长尾权重建模伪标签的效用，从而增强模型的鲁棒性。实验结果表明，该方法在多个数据集上显著提升了性能。

本研究针对半监督学习（SSL）在视觉基础模型（VFM）中的应用不足，提出新的基准数据集并系统评估多种SSL方法。关键发现是，仅用标记数据的参数高效微调（PEFT）方法能与SSL性能相匹配，此结果促使我们改进自训练方法，通过多种PEFT模型的集成，生成更稳健的伪标签，提供了SSL与VFM结合的新见解。

本研究提出了一种知识挖掘策略，利用大型视觉模型SAM的知识，提升小型深度学习模型在医学图像分割中的性能。通过将SAM在未标注图像上的输出转化为“伪标签”，显著改善了U-Net++模型的训练效果，验证了知识挖掘的应用价值。

本研究提出NodeReg正则化方法，解决半监督节点分类中的邻接节点不平衡和噪声问题，显著提升GNN的泛化能力和分类性能。实验结果表明，NodeReg在不平衡和分布偏移情况下优于现有基线。

本研究解决了现有研究在上下文学习中数据选择偏重于真实注释示例而忽视自生成注释可靠性的问题。我们提出了一种三步半监督上下文学习框架，基于高置信度自生成示例提升ICL表现，实验结果显示，该基准方法在16个数据集上平均提升了9.94%。此外，我们引入了IterPSD方法，通过迭代优化伪示例，进一步提升分类任务精度，并揭示了当示例数量超过1000时半监督上下文学习的最佳性能规律。

本研究提出了一种半监督学习方法，利用视觉和音频的多模态信息，解决视频动作识别中的高标注成本问题。通过音频源定位技术，模型在多个数据集上显著提升，具有重要应用潜力。

本研究提出了一种CRTrack半监督多目标跟踪方法，旨在解决低光照环境下数据集不足和注释成本高的问题，增强模型对噪声伪边框的抵抗力，从而显著提升跟踪性能。

本研究针对半监督语义分割中的常见问题，如过度依赖标记数据导致的耦合现象、确认偏差以及边界模糊等，提出了一种新颖的CW-BASS框架。该方法通过对伪标签赋予置信度权重来降低错误预测的影响，并利用边界感知模块提高分割精度，为标记数据不足的情况下的语义分割提供了有效的解决方案。

本研究提出ZMT框架，解决半监督学习中伪标签不可靠的问题。ZMT通过联合优化零-shot伪标签和无监督表征学习，实验证明其错误率降低了56%，在资源受限环境下有效性提升显著。

本研究提出了一种新方法，解决半监督三维医学图像分割中标注与未标注数据的有效利用问题。通过协作矫正学习网络生成高质量伪标签，并引入动态交互模块，提升了伪标签的准确性和模型的分类能力。实验结果表明，该方法在三种公共数据集上优于现有技术，具有良好的推广潜力。