本文研究半监督物体检测中的伪标签偏差问题，提出了“Unbiased Teacher”方法，通过分类均衡损失训练学生和老师，显著提升了检测性能。在COCO和VOC数据集上，使用少量标记数据实现了mAP的显著提升，并解决了类别不平衡问题。

本文介绍了多种基于CLIP的语义分割方法，如ZegCLIP、RECLIP和CLIP-S4，强调它们在零样本分割和高效训练中的优势。研究提出的新机制和框架提升了模型的泛化能力和性能，并解决了伪标签偏差问题，展示了在多个数据集上的竞争力表现。