该研究提出了一种分阶段的自我训练框架，利用伪掩模和多任务模型来提升半监督语义分割的性能。实验结果显示，在PASCAL VOC 2012和ISIC 2018数据集上，相较于现有方法有显著提升。同时，研究探讨了弱监督方法和简化网络架构的有效性，强调在有限资源下实现高质量分割的潜力。

本研究介绍了一种自我训练框架（ST-SGG），通过利用未标注的三元组来缓解场景图生成模型在长尾问题上的困扰。同时提出了一种新型伪标记技术（CATM）和图结构学习器（GSL），对现有场景图生成模型具有益处。实验证明ST-SGG在各种场景图生成模型中有效，特别是在细粒度谓词类的性能提升方面。

该研究使用自我训练框架证明了神经检索器可以自我进化并改进，无需外部模型。实验证明该方法在常见和领域外的检索基准上持续改进，并在各个领域的任务上产生额外收益。