En el dominio del enmarcado de retratos, los métodos existentes dependen completamente de imágenes anotadas para el aprendizaje. Sin embargo, las anotaciones manuales delicadas son consumidoras de tiempo y hay pocos conjuntos de datos detallados disponibles. Para reducir la dependencia completa de conjuntos de datos etiquetados, diseñamos una red semisupervisada (ASSN) con dos tipos de estrategias adaptativas innovadoras para el enmarcado de retratos. Tres submódulos clave están incrustados en nuestra arquitectura, incluyendo una red de profesor estático (S-TN), una red de estudiante estático (S-SN) y una red de estudiante adaptativo (A-SN). S-TN y S-SN son módulos que deben ser entrenados con un pequeño número de conjuntos de datos etiquetados de alta calidad. Además, A-SN y S-SN comparten los mismos parámetros del módulo. Al procesar conjuntos de datos no etiquetados, A-SN adopta las estrategias adaptativas diseñadas por nosotros para desechar la dependencia de los conjuntos de datos etiquetados. Las estrategias adaptativas incluyen: (i) Una adaptación auxiliar: La red de profesor con un diseño complicado no solo proporciona alfa mates para la red de estudiante adaptativo, sino que también transmite resultados de segmentación aproximados y gráficos de bordes como estándares de referencia de optimización. (ii) Una adaptación autoajustable: La red adaptativa puede autoajustarse a las características de diferentes capas. Además, hemos producido un conjunto de datos finamente anotado para académicos en el campo. En comparación con los conjuntos de datos existentes, nuestro conjunto de datos complementa los siguientes dos tipos de datos descuidados en conjuntos de datos anteriores: (i) Imágenes tomadas por múltiples personas. (ii) Imágenes bajo condiciones de poca luz.