利用简单通用的识别方法和网络上的免费嘈杂数据，成功规模扩展到 10,000 多个类别，不需要手动收集标签，取得超过现有各领域最佳记录的 92.3%、85.4%、93.4% 和 80.8% 的 top-1 准确率

Nov, 2015

本文提出一种噪声容忍的训练算法，其中在传统梯度更新之前进行元学习更新来模拟实际训练。通过生成合成噪声标签进行训练，该元学习方法训练模型，以便在使用每个设置的合成噪声标签进行一次梯度更新后，模型不会过度拟合特定的噪声，从而提高深度神经网络的性能。

Dec, 2018

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

通过特征级别的数据增强和协方差预测网络，我们提出了一种改善细粒度图像识别的方法，可以有效区分细分类别，提高泛化性能。

Sep, 2023

本文构建了两个新的基准网页监督的精细分类数据集 WebFG-496 和 WebiNat-5089，同时提出一种新的网页监督方法 Peer-learning，并在该数据集上进行了全面的实验。实验结果表明，该方法优于现有的基线模型和最先进的方法。

Aug, 2021

本文提出了一种利用变分自编码器（VAE）和类别级别监督来处理网络数据的方法，并在三个基准数据集上进行了实验证明其有效性。

Mar, 2018

本文介绍了一种使用大型包含嘈杂注释图像和少量清洁注释图像联合进行学习的方法，它由一个多任务网络组成，可以在清洁注释的帮助下减少大型数据集中的噪音，并在清洁数据集和带有降噪的完整数据集上进行微调学习，其结果比直接微调方法在 Open Image 数据集中的所有主要类别中均表现优异，特别适用于具有 20-80％注释噪音的大量类别。

Jan, 2017

本研究基于收集自网络的大规模嘈杂数据对学习视觉识别模型进行了探究。我们构建了一个名为 WebVision 的新数据库，其中包含了超过 240 万张与 ILSVRC 2012 基准数据集的 1,000 个语义概念相关的查询生成的网络图像，并收集了元信息（例如标题，描述，标签等）。通过这个数据库，我们发现网络图像可以用于训练良好的深度 CNN 模型，且该模型的泛化能力甚至优于 ILSVRC 2012 数据集训练的模型。此外，我们也发现了一个数据集偏见问题，即在视觉领域自适应方面存在一些问题。这个新的 WebVision 数据库及其相关研究对于利用网络数据最小化监督学习最先进的视觉模型具有重要的价值。

Aug, 2017

本研究探讨了细粒度领域适应的概念并提出了基于属性的多任务适应损失来解决现有细粒度目标识别模型无法准确分类野外图像的问题，通过在一组新的细粒度数据集上的实验证明了该算法可以显著提高准确性。

Sep, 2017

提出了一种标签噪声鲁棒的学习算法，该算法使用具有元目标的软标签来训练基础分类器，软标签由数据实例的提取特征生成，并使用单层感知器网络进行学习，算法使用少量的无噪声数据作为元数据，实验结果表明，该算法优于现有基线。

Mar, 2021