本文提出了一种基于师生模型的双不确定加权半监督分割方法，通过贝叶斯深度学习训练教师模型，将分割不确定性延伸到特征不确定性，并设计了可学习的不确定性一致性损失。实验证明该方法在医学数据集上优于现有方法。

本文提出了一种基于师生模型的双不确定加权半监督分割方法，通过贝叶斯深度学习训练教师模型，将分割不确定性延伸到特征不确定性，并设计了可学习的不确定性一致性损失。实验证明该方法在医学数据集上优于现有方法。

本研究介绍了一种通过对抗网络压缩方法实现知识转移的方法。该方法在不使用标签进行训练的情况下，在不同的师生模型上泛化。评估结果显示，学生模型准确率略有下降，但性能比其他知识传输方法更好，并且超越了同一网络在使用标签训练时的性能。

本文提出了一种基于师生模型的双不确定加权半监督分割方法，使用贝叶斯深度学习训练教师模型，设计了可学习的不确定性一致性损失以在预测和不确定性之间以交互方式进行无监督学习。实验结果表明，该方法在两个公共医学数据集上优于现有的基于不确定性的半监督方法。