研究室参与的1篇半监督小样本学习论文被TPAMI接收，Xiu-Shen Wei, He-Yang Xu, Zhiwen Yang, Chen-Long Duan, Yuxin Peng*, "Negatives Make A Positive: An Embarrassingly Simple Approach to Semi-Supervised Few-Shot Learning", IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), 2023。TPAMI是计算机视觉和人工智能领域顶级国际期刊，也是中国计算机学会（CCF）推荐的A类期刊，影响因子23.6。
       半监督小样本学习旨在训练一个分类器适配含有有限数量标签数据与固定数量无标签数据的新任务。该任务主要面临的挑战：有限的标签难以学习得到性能良好的分类器，因此难以为无标签数据获得足够准确的伪标签。针对该问题，本文提出了一种基于负学习的半监督小样本分类方法，通过一系列连续的迭代过程为无监督数据准确预测并排除负伪标签，利用保留下来的正伪标签增强标签有限的支持集，从而提升小样本分类效果。首先，为每个样本预测负伪标签，并通过负学习范式更新分类器参数。然后，去除上一轮迭代预测的负伪标签，并继续生成样本的下一个负伪标签，迭代上述过程直至所有负伪标签被排除，得到样本的正伪标签。最后，通过获取的正伪标签增强小样本支持集，以充分利用有标签基类数据与无标签新类数据中的辅助信息，提升半监督小样本学习性能。本文方法在四个小样本数据集上进行了全面实验，实验结果显示了方法的有效性。