研究了四个流行的基准数据集，扩展了它们的社交网络元数据，如每张图片所属的组，与该图片相关的评论线程，上传者，其位置和朋友的网络，探讨了社交网络元数据在图像分类中的应用，通过构建一个二元标签网络模型，使用结构化学习技术来学习模型参数，发现社交网络元数据在各种分类任务中很有用，并在许多情况下胜过基于图像内容的方法。

Jul, 2012

该研究提出了一种从用户提供的标签中直接学习图像分类的方法，使用大规模的分类算法和校准过程来分析 Flickr 100 Million Image 数据集。结果表明，与昂贵的手动注释相比，免费可用的用户标签可以获得类似或更优异的结果。

Nov, 2014

该论文介绍了一种基于弱标记图像的对象属性关联的建模方法，并提出了一个新的弱监督非参数贝叶斯模型，能够描述图像，包括对象、属性、关联及其位置和分割。实验表明，该方法在图像描述和基于对象属性关联的检索任务上表现好于强监督模型。

Mar, 2015

利用社交网络元数据构建图像社区，结合深度神经网络，使用 Jacard 相似性衡量图像间的关系，实现多标签图像注释的非参模型，相比参数模型更加稳健。

Aug, 2015

该研究提出了一种新的递归图像注释器（RIA）模型，将图像注释任务形成为序列生成问题，以便RIA可以根据图像内容本地预测正确的标记长度。 该模型在各种图像注释数据集上进行了评估，并显示其在任意长度图像标记任务上作为高质量基准的能力。 此外，实验结果表明，在训练阶段中标记的顺序对最终注释性能有很大影响。

Apr, 2016

本篇论文研究了图像与单词之间的关系，发现相关的单词向量在特定方向上超过无关的单词向量，依此提出了一种基于线性映射和深层神经网络的快速图像标注模型，其具有良好的性能和鲁棒性，并能够处理此前未见过的标签。

May, 2016

本文介绍了一种鲁棒性强的、端到端的深度弱监督学习框架，该框架通过随机分组和注意力机制来有效减少Web图片注释的负面影响，实现了对嘈杂标签的有效抑制和准确图像标注，实验证明了该方法的卓越性能。

Nov, 2016

本文提出了一种新的多尺度深层模型来提取富有判别性的特征，能够表示从物体、场景到抽象概念的各种视觉概念，并引入标签数量预测辅助任务来明确估计给定图像的最优标签数量。在两个大规模图像注释基准数据集上进行了广泛的实验，结果表明我们的方法明显优于现有技术水平。

Sep, 2017

提出一种新的自动图像标注模型 D2IA，该模型基于人类注释的集成学习，利用确定性点过程（DPP）模型生成与图像内容相关且语义上不同的关键词子集，并利用生成对抗网络模型进行训练，实验证明其在图片标注的多样性和唯一性方面具备优势。

Mar, 2018

本文介绍一项新的弱监督学习方法——通过标签来监督预训练模型， 该方法使用现代残差网络和最大的图像数据集训练模型， 实现各种迁移学习的应用，甚至包括零样本学习，且与大规模自监督学习相比具有更好的性能。此方法有助于发展可靠的视觉识别系统。

Jan, 2022