该论文提出了一种基于课程学习的弱监督学习方法，通过对大规模网络图像数据进行无人工标注的深度神经网络训练，实现对大量噪声数据和数据分布不均等问题的有效处理和噪声标签的负面影响的显著降低，构建一种新的课程学习架构，使得使用高噪声标签的图像作为一种正则化策略可以惊人地提高模型的泛化能力，在 WebVision、ImageNet、Clothing-1M 和 Food-101 等四个基准测试中取得了最先进的性能，多模型集成的结果在 1000 种类别分类中取得了 5.2% 的 top-5 错误率，相对误差率超过 50%。

Aug, 2018

本文提出了一种基于卷积神经网络的无尺度检测技术，通过采用上下文感知的 RoI 池化和多分支决策网络，实现了无尺度对象识别，并在多个数据集上达到最优准确性和速度。

Apr, 2018

提出了一种自适应卷积神经网络，它能够通过场景旁边的信息来适应卷积滤波器权重，以提高人群计数的准确性。模型参数化为低维流形，依赖于场景 context，从而提取与当前上下文相关的有区别的特征。

Nov, 2016

本研究提出了一种名为 ScaleNet 的简单高效的无监督表示学习方法，通过使用多尺度图像来增强有限信息条件下卷积神经网络 (ConvNets) 的性能，并展示了 ScaleNet 方法在旋转预测任务上的优越性及其对其他模型的分类任务的改进能力。

Oct, 2023

本研究提出了一种应对嘈杂标签的无监督半监督深度神经网络学习框架，通过在噪声图像标注中识别出标签准确度较高的部分数据，并利用半监督学习方式训练深度神经网络以更好地利用整个数据集。

Feb, 2018

该研究提出了一种半监督学习方法，利用一个 “目标网络” 和一个 “置信网络” 进行多任务训练，在大量弱注释未标注数据上优化目标网络，同时用置信网络的分数来加权目标网络的梯度更新，以避免噪声标签对目标网络模型的质量造成损害，并在评估中证明其相对基线的性能得到提高，同时从弱标签中提高了学习速度。

Nov, 2017

利用分类标签、字幕和未标记数据等不同类型的监督实现显著性检测模型的训练，通过 CNet 和 PNet 生成像素级伪标签进行训练，使用注意力传输损失和注意力一致性损失，使弱监督训练的模型性能得到提升，实验表明我们的方法与许多监督方法相比具有较好的性能。

Apr, 2019

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

本文提出了一种新颖的半监督学习范式，旨在解决标签不足和标签不准确的问题，该方法使用图来连接数据点以便在图边沿将标签信息从稀少标记示例传播到未标记的示例。实验证明，该方法在图像分类、文本分类和语音识别等领域有效降低标签误差，表现优于其他现有的半监督学习方法。

Feb, 2019

本文提出一种能够无需依赖显式用户注释的 Flickr 图像，通过利用一些低级线索（如显著性、边缘等）生成代理标签，并使用在线标签噪声过滤辅助模块来帮助协助分割网络学习更干净的代理注释进行语义分割。在 PASCAL VOC 2012 语义分割基准测试中，该算法表现出色，WebSeg (mIoU = 57.0%) 和弱监督 (mIoU = 63.3%) 的设置。

Mar, 2018