本文提出了一种新颖的半监督框架，通过利用未标记图像提升视觉鸟瞰（BEV）语义分割性能。该框架结合一致性损失和联合旋转的数据增强方法，保持前视图像与BEV语义分割的几何关系。实验结果表明，该方法在nuScenes和Argoverse数据集上有效提高了预测准确性。

该研究提出了多种领域自适应方法，包括基于零样本学习的ZDDA、半监督框架和CoCoGAN，旨在解决任务迁移和传感器融合问题。实验结果表明，这些方法在图像分类和语义分割任务中表现优异，显著提升了模型在目标领域的泛化能力。

本文介绍了一种基于细粒度素描的图像检索方法，利用增强学习和半监督框架提升检索效率，解决数据稀缺问题。研究表明，该方法在多个数据集上表现优越，显著提高了检索性能。

本文介绍了多种基于车载摄像头的鸟瞰视角（BEV）语义分割方法，包括新型半监督框架和自我监督技术，显著提高了预测准确性。研究展示了通过多摄像头和神经网络实现的高效分割与检测，提出的模型在多个数据集上表现优越，推动了自动驾驶技术的发展。

本文介绍了一种新的半监督框架，通过稀疏标记的MLS切片和扩散模型，准确测量头部CT扫描中的MLS规模。研究开发了脑出血分割数据集，展示了深度学习算法在自动检测颅内出血方面的高准确率，并提出了改进的分割方法，具有良好的临床应用潜力。

本文提出了一种新颖的半监督框架，通过利用未标记图像提升视觉鸟瞰（BEV）语义分割性能。该框架使用一致性损失约束模型，并引入联合旋转的数据增强方法，以保持前视图像与BEV语义分割的几何关系。实验结果表明，该方法在nuScenes和Argoverse数据集上有效提高了预测准确性。

本论文研究了细粒度手绘图像检索模型中的数据稀缺问题，并提出了一种半监督框架，利用未标记的照片提升模型表现。实验证明，该模型性能显著提升。

本文提出了一种半监督框架，利用未标记的图像提高视觉鸟瞰语义分割的准确性，并证明该框架有效。代码将公开提供。

本文提出了一种半监督框架，利用未标记的图像提高视觉鸟瞰语义分割的准确性，实验证明该框架有效。代码将公开提供。

VerSemi是一个全新的多功能半监督框架，通过整合各种任务和利用未标记数据进行医学图像分割。实验证明VerSemi在公共基准数据集上始终超越其他方法，为半监督医学图像分割设定了新的最佳表现。

该文提出了一个半监督框架，通过三个新组件优化文档级关系抽取任务。实验证明该模型在两个 DocRE 数据集上表现超过了强基线模型，F1 分数和 Ign_F1 分数分别增加了 1.36 和 1.46 分。

本文提出了一种新颖的半监督框架，通过利用未标记的图像提高视觉鸟瞰语义分割的性能。该框架使用一致性损失约束模型在语义预测和BEV特征上，并采用联合旋转的数据增强方法扩充数据集。实验证明该框架可以有效提高预测准确性。这是第一项利用未标记数据改进视觉BEV语义分割性能的工作。