自监督缓解误标注
通过动态地为高置信度目标样本分配伪标签，并结合协作学习与自监督来减轻不正确伪标签的影响，该策略在三个基准数据集上取得了最优性能。
Ma, Qiankun · Zeng, Jie · 张俭嘉 · Zu, Chen · 吴锡 · 周激流 · 陈杰 · 王艳
Pattern Recognition 2024
主动地为高置信度目标样本分配伪标签，而不是先给所有样本固定分配后再削弱错误标签的影响。
利用协作学习约束网络的一致性，并施加额外的软监督，进一步缓解错误伪标签的影响。
通过注入自监督学习，解决动态标注可能忽略决策边界附近摇摆样本的问题。
在三个UDA基准数据集上取得最优性能，代码公开，便于复现和应用。