本研究提出了一种新的协同精英半监督学习生成对抗网络（CE-SSLGAN），克服了现有方法的局限性。实验结果表明，该方法在多个数据集上优于传统技术。

本研究提出了一种名为SSLR的半监督学习方法，旨在解决手语识别系统中标注数据稀缺的问题。通过为未标注样本生成伪标签，SSLR在使用较少标注数据的情况下，性能超过全监督学习模型，显示出在手语识别领域的潜力。

本研究提出了SuoiAI，一个针对越南水生无脊椎动物的数据库构建管道，旨在解决水生生物多样性监测中的数据稀缺问题，并通过半监督学习和先进的物体检测模型提高物种分类的准确性。

本文介绍了Turin3D数据集，覆盖都灵市中心约1.43平方公里，包含近7000万个点，旨在解决城市建模中的标签稀缺问题。通过比较多种点云语义分割模型的性能并应用半监督学习技术，显著提升了模型表现。该数据集将公开发布，推动户外点云分割研究的发展。

本研究提出了一种结合事后解释与半监督学习的框架，旨在自动识别深度学习模型在大型基础设施故障诊断中的异常解释。该框架提高了电网监测中故障分类的准确率，减轻了维护人员的负担。

本研究提出了一种掩膜图像一致性和差异学习（MICD）框架，旨在提升半监督医学图像分割的效果。该框架通过三个关键模块增强了上下文感知和模型鲁棒性，显著提高了小样本学习能力。实验结果表明，该方法在多个公共医学图像数据集上优于现有技术。

本研究探讨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），并将伪标签建模为长尾权重，以增强模型的鲁棒性。实验结果显示，该方法在多个数据集上显著提升了模型性能。

本研究提出了一种半监督学习方法，利用音频源定位引导的混合技术，解决视频动作识别中的高注释成本问题。该方法结合视觉和音频信息，尽管标记数据量少，仍能显著提升在UCF-51、Kinetics-400和VGGSound数据集上的表现，具有重要应用潜力。

本研究提出ZMT框架，以解决半监督学习中伪标签不可靠的问题。ZMT能够联合优化零-shot伪标签与无监督表征学习，实验证明其在处理噪声伪标签时错误率降低56%，显著提升了资源受限环境下的学习效果。

本研究提出了一种新颖的半监督框架SemiHMER，旨在解决手写数学表达识别中的标注数据不足问题。通过双分支半监督学习和增强策略，显著提升了模型训练效果，尤其在长距离公式识别中提高了准确性。

本研究探讨了在标签稀缺情况下处理不一致未标记数据的方法，以提升半监督学习性能。提出了一种新方法，增强了鲁棒性，并建立了评估基准，旨在解决开放环境中的稳定性问题。

本研究探讨了有限标记数据下的图像分类挑战，提出结合半监督学习与卷积神经网络的方法。实验结果显示，该方法在CIFAR-10数据集上显著优于传统技术，提升了模型的预测性能和鲁棒性，具有实际应用潜力。

研究探讨了半监督学习（SSL）技术在不同条件下的表现，发现简单基线方法常被低估，合成数据集在提升模型性能方面优于真实未标记数据。提出的新方法RSMatch能有效利用合成数据，增强SSL性能。DiffMix框架结合真实与合成图像，提升了多种SSL方法的表现，强调了合成数据在训练中的重要性及其对模型稳健性的影响。

本研究提出了一种新的类别掩码图像建模策略，旨在解决半监督语义分割中的知识建模问题。该方法独立重建不同类别的图像区域，显著提升了类别内的连接性，并在多个基准测试中表现优异，展示了其在增强半监督学习中的潜力。

本研究提出了一种基于GRU的多目标跟踪方法，解决了传统方法在复杂环境中的非线性和噪声建模不足问题。通过可学习的卡尔曼滤波器和半监督学习策略，提升了模型性能和鲁棒性。实验结果表明，该方法在nuScenes和Argoverse2数据集上优于传统方法。

本研究提出了一种基于半监督学习的线段检测方法，利用不同增强和扰动的未标记图像及少量标记数据，取得了与完全监督方法相当的效果，为困难或昂贵的标注场景提供了新的应用可能性。