Semi-Supervised Semantic Segmentation Based on Pseudo-Labels: A Survey

语义分割是计算机视觉中一个重要且流行的研究领域，它专注于基于语义对图像中的像素进行分类。然而，监督式深度学习需要大量的数据来训练模型，而逐像素标记图像的过程耗时且费力。本综述旨在提供半监督语义分割领域中伪标签方法的最新研究成果的全面和有组织的概述，我们从不同的角度对其进行分类，并提出了特定应用领域的具体方法。此外，我们还探讨了伪标签技术在医学和遥感图像分割中的应用。最后，我们还提出了一些可行的未来研究方向，以解决现有的挑战。

论文旨在提出伪标签方法解决半监督语义分割中数据标注的问题，以及探索伪标签技术在医学和遥感图像分割中的应用。

论文提出了一种基于伪标签的半监督语义分割方法，通过使用少量标注数据和大量未标注数据，结合伪标签的生成和利用，实现了比传统半监督方法更好的性能。

论文分类整理了不同领域的伪标签方法，并在多个数据集上进行了实验验证，同时探索了医学和遥感图像分割中的应用。论文还提出了一些未来的研究方向。

近期相关研究包括：Unsupervised Data Augmentation for Consistency Training、Mean teachers are better role models、Self-Training with Noisy Student等。