吕昊远，俞 璐，周星宇，邓 祥

陆军工程大学 通信工程学院，南京210007

+通信作者E-mail:haoyuan0130@163.com

随着人们对于深度学习的研究热情日益高涨，各种深度学习框架和网络模型被相继提出[1]。深度学习在很多领域都有着不错的表现，尤其是计算机视觉中取得突出的成果，在图像分类、目标检测、语义分割等各种任务中都达到了极佳性能[2]。

然而，深度神经网络的训练质量受训练集中有标记样本数目的强烈影响。在实际的问题中，获取数以万计的有标记训练样本的代价是极其昂贵的，但对于无标记样本却很容易获取，人们就用多种方式研究无标记样本的使用。在此之中，基于少量有标记样本和大量无标记样本的半监督学习（semisupervised learning）更适用于真实条件下的应用[3]，近来已成为深度学习领域热门的新方向。

半监督学习是一种在不需要大量标记的情况下对大量数据进行模型训练的强大方法。半监督学习通过提供一种利用无标记数据的方法来减少对标记数据的需求[4]。由于无标记的数据通常可以用最少的人力获得，因此半监督学习带来的任何性能提升通常都是低成本的。人们对于半监督学习方法的研究热情也与日俱增，提出了大量基于深度学习框架的半监督学习方法。

在半监督学习中，有一个最基本的前提假设是，在训练过程中使用无标记的数据样本是有益的（参见图1 的具体说明）。它可以使标记较少的训练更加健壮，甚至在某些情况下的学习效果超过有监督学习[5]。……