UPC模型的工作流程可分为三个关键步骤：不确定性感知的区域定位、区域级别的CutMix替换以及冗余增强策略。 首先，UPC利用不确定性作为指导，识别伪标签中的噪声区域。具体来说，当模型对未标注图像进行预测时，会计算每个像素的预测不确定性，生成不确定性图。这一步基于一个简单而有效的原理：模型对噪声区域的预测通常伴随着较高的不确定性。 UPC不是直接使用这些像素级的不确定性，而是将整个不确定性图划分为NN的区块（通常是44）。每个区块的不确定性通过区块内所有像素的不确定性总和来计算。这样一来，UPC就能够识别出最不确定的区块，这些区块很可能对应着伪标签中的噪声区域。 与传统方法简单地过滤掉不确定像素不同，UPC采用区域级别的CutMix替换技术。它会选择标注图像中的对应区域，替换未标注图像中不确定性高的区域。这种替换不仅去除了噪声，还引入了可靠的监督信号，一石二鸟。 在实际操作中，UPC会选择前k个不确定性最高的区块作为不确定区域，生成一个二进制掩码。这个掩码用于指导CutMix操作，实现不确定区域的替换。CutMix在图像识别和半监督语义分割中已被证明是有效的，但UPC的创新之处在于它使用不确定性来引导这一操作，而不是随机选择区域。 为了进一步提高模型训练的稳健性，UPC还采用了冗余增强策略。这一策略会为每个未标注图像生成多个转换后的样本，使用不同的k值和标注图像。这确保了噪声区域能被更全面地替换，增强了模型的学习能力。 值得注意的是，UPC的实现非常简单直接，不需要改变网络架构或训练程序。它可以轻松与其他半监督方法结合，作为一种插件式的增强技术。这种简单性和通用性使UPC在实际应用中具有很高的实用价值。 此外，UPC还表现出对不同分布数据的良好适应能力。当使用MSCOCO作为分布外未标注数据时，UPC仍然能够有效地提高性能。这表明UPC不仅适用于相似分布的数据，还能处理分布差异较大的情况，这在实际应用中尤为重要，因为未标注数据通常来自不同的来源。
