本文介绍了一种名为Cross Pseudo-Labeling（XPL）的新方法，用于半监督AVSL中的伪标签方法。XPL通过交互学习和交叉精炼机制避免了偏见积累，并结合软伪标签和课程数据选择模块以实现稳定训练。实验证明XPL在性能上优于现有方法，并减轻了确认偏见。

本文提出了一种基于置信度的伪标签方法，用于半监督目标检测。该方法可以更好地估计伪标签的质量，并调整阈值和权重，解决类别不平衡和定位精度问题。实验结果表明，该方法在COCO和PASCAL VOC数据集上提升了1-2%的性能，即使只使用COCO的1-10%标记数据，也能提高10%的性能。

本研究提出了一种使用多实例学习和域自适应方法的流程，以提高目标数据集的分类性能。通过高置信度的伪标签方法有效地结合两种方法的监督信息。实验证明该方法相对于现有方法显著提高了分类性能。

该文介绍了一种新的联邦学习方案，通过交换类别的中心来保持一致的决策边界，实现了在网络中使用带有给定噪声的标签的一致决策边界。同时，还提出了选择有自信的样本来更新模型以及全局引导的伪标签方法来更新不自信的样本标签。实验证明，该方法在使用有噪声的标签的联邦学习中非常有效。

DEEM是一种用于小麦营养缺陷分类挑战的方法，将数据集分成不同日期的离散组来训练模型，并采用伪标签方法将高置信度的测试数据标记并纳入训练集，最终将各组的模型统一获得整个数据集的模型。在Deep Nutrient Deficiency Challenge中，该方法获得了平均93.6%的Top-1测试准确率，并荣获了第一名。