เปรียบเทียบวิธี

	การแบ่งส่วนภาพอินสแตนซ์แบบกึ่งกำกับดูแล	การตรวจจับวัตถุแบบกึ่งมีผู้สอน
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2018–2021	2020–2021
ผู้ริเริ่ม	Multiple independent research groups (2018–2021)	Sohn et al. (STAC); Liu et al. (Unbiased Teacher)
ประเภท	Semi-supervised deep learning for dense prediction	Semi-supervised learning for detection
แหล่งต้นตำรับ	Hu, H., Wei, P., Zheng, H., Bai, X., Wei, Y., & Chen, Y. (2021). Semi-supervised Semantic Segmentation via Adaptive Equalization Learning. Advances in Neural Information Processing Systems (NeurIPS), 34, 22106–22118.	Sohn, K., Zhang, Z., Li, C.-L., Zhang, H., Lee, C.-Y., & Pfister, T. (2020). A Simple Semi-Supervised Learning Framework for Object Detection. arXiv preprint arXiv:2005.04757.
ชื่อเรียกอื่น	Semi-supervised Mask R-CNN, pseudo-label instance segmentation, label-efficient instance segmentation, SSIS	SSOD, semi-supervised detection, pseudo-label object detection, label-efficient object detection
ที่เกี่ยวข้อง	6	6
สรุป	Semi-supervised instance segmentation trains a model to detect and delineate every object instance in an image using a small labeled set and a large unlabeled image corpus. By generating pseudo-labels from confident predictions on unlabeled images and enforcing consistency under augmentation, the approach achieves competitive mask accuracy at a fraction of the full annotation cost.	Semi-supervised object detection trains a detector on a small labeled image set and a large unlabeled image set. A teacher model generates pseudo-labels for unlabeled images, and a student model learns from both real and pseudo-labeled data, dramatically reducing the expensive manual bounding-box annotation burden while achieving accuracy competitive with fully supervised baselines.