理论再好，也需要数据说话。UPC模型在多个标准数据集上进行了全面测试，结果展示了它在半监督语义分割任务中的卓越性能。 在经典设置下，当只使用1/16（约92张）的标注图像时，UPC结合U2PL方法达到了71.31%的平均交并比（mIoU），比原始U2PL提高了3.33%。随着标注数据增加到1/8（约183张），UPC的改进更加显著，达到了73.53%，比原始方法提高了4.37%。即使在使用全部1，464张标注图像的情况下，UPC仍然带来了0.73%的提升。 在混合设置下，UPC同样表现出色。当与CPS方法结合时，在1/16标注数据下，UPC帮助提升了2.13%的性能；当与ST++结合时，提升了3.15%；当与U2PL结合时，提升了1.32%。这些一致的改进表明，UPC在不同设置和不同基线方法上都能有效提高性能。 Cityscapes数据集更加贴近实际应用，它包含城市街景的图像，共有19个类别，如道路、建筑、行人等。在Cityscapes上，UPC同样取得了令人印象深刻的结果。当只使用1/16（约186张）的标注数据时，UPC结合U2PL达到了75.31%的mIoU，比原始方法提高了5.01%。即使在标注数据较多（1/2，约1，488张）的情况下，UPC仍然带来了0.57%的提升。 在不同参数设置下的消融实验也提供了有价值的见解。研究者测试了不同的区块大小（N）和不确定区块数量（k）。结果表明，N=4、k=5的设置在大多数情况下表现最好。此外，将多个k值（2、3、5）结合使用的冗余增强策略进一步提高了性能。 通过这些实验，UPC再次证明了其在半监督语义分割中的有效性和广泛适用性。它不仅在标准基准测试上取得了出色的结果，还展示了对不同模型、不同设置和不同分布数据的良好适应能力。 UPC的成功揭示了半监督学习的广阔前景。在实际应用中，获取大量标注数据往往非常困难和昂贵，而UPC等半监督方法可以有效利用未标注数据，大幅减少对标注数据的依赖。这对于自动驾驶、医学图像分析、遥感图像处理等领域具有重要意义。