本文提出一种简单的方法，使用所有数据集上的标签训练一个统一的多数据集物体检测器，它可以自动整合数据特定输出到一个通用的语义分类体系中，避免了手动分类调和的步骤，且实验表明，该流程可以推广到新的未见数据集，而无需再次针对它们进行微调。

Feb, 2021

利用视觉与语言模型产生伪标签的方法来实现无标注图像中物体的定位和分类，从而解决大规模获取标注数据的难题，并通过在学习过程中使用这些伪标签，展示了该方法在开放词汇检测和半监督目标检测等任务上的有效性。

Jul, 2022

该研究提出了一种多源域自适应和标签统一问题的新方法，使用领域关注、不确定性最大化和注意力引导的对抗性对齐解决不匹配标签的负向转移，并在部分监督和完全监督的适应阶段传递知识以进行标签完成处理，在三种不同的任务中实现了显著优于现有竞争方法的表现。

Dec, 2020

本研究提出一种新的设计（称为 Detection Hub），它是数据集感知并具有类别对齐功能，通过学习一种数据集嵌入来自适应对象查询以及检测头中的卷积核，从而既减轻了对目标检测的数据集不一致性，又提供了一致的指导，以便检测器跨多个数据集学习。实验表明，检测中心进一步在各种数据集的 UODB 基准测试中实现了 SoTA 性能。

Jun, 2022

引入了一个弱监督标签统一流程，用于合并来自多个训练在异构数据集上的目标检测模型的伪标签，从而构建了一个统一的标签空间，纠正偏见并提高泛化能力。通过对多个数据集上的目标检测模型进行微调，并精确验证伪标签，重新训练一个目标检测模型，最终得到一个在动态交通场景中表现出色的模型，并在具有挑战性的道路条件下充分展示了该方法的有效性。值得注意的是，该方法在目标检测性能方面取得了显著的提升，得到了对领域变化具有更高抵抗力的模型。

Aug, 2023

本文研究了多任务数据和部分标注的情况下，联合学习物体检测和语义分割这两个最流行的视觉问题，通过知识蒸馏实现多任务优化，并通过实验结果表明了多任务学习和知识蒸馏在性能上相对于单任务学习和完全监督场景的优势。

Nov, 2023

该研究旨在开发一种通用的病变检测算法，通过利用粗略标注和临床知识，在多个异构数据集上进行训练，实现在多种病变类型下的准确检测。

Sep, 2020

我们提出了一种在室内环境中获取语义分割和目标实例检测伪标签的成本效益标注方法，旨在为各种下游任务训练轻量级模型提供便利，通过多视图标注融合阶段，识别和纠正单视图不一致现象，并通过与人工注释的比较和目标导航等下游任务的效果评估，证明了该方法的有效性。

Nov, 2023

本文提出了一种新的端到端无监督深度领域适应模型，利用多标签对象识别作为双重辅助任务实现自适应对象检测，使用多标签预测揭示每个图像中的对象类别信息，然后使用预测结果执行条件对抗全局特征对齐，从而可以处理图像特征的多模态结构以在全局特征级别上连接域分歧，同时保留特征的可辨析性。此外，还引入了一种预测一致性正则化机制来辅助目标检测，该机制使用多标签预测结果作为辅助正则化信息，以确保对象识别任务和对象检测任务之间一致的对象类别发现。在几个基准数据集上进行实验，结果表明，该模型优于现有方法。

Mar, 2020

该论文研究了如何训练一个来自多个数据集的统一 3D 检测器，提出了一种名为 Uni3D 的方法来解决数据级别和分类学级别的差异，证明了该方法的有效性并对进一步的 3D 泛化研究具有启发意义。

Mar, 2023