本文提出了一种新颖的面向室内三维物体检测的对象层次域对齐（OHDA）框架，其中包括一种面向对象的数据增强策略以有效地使源域数据多样化，并引入了一个由对抗训练分支和伪标记分支组成的两分支自适应框架，以同时达到整体级和类别级的域对齐，通过适应结果的改进在 Synthetic 数据集 3D-FRONT 到真实数据集 ScanNetV2 和 SUN RGB-D 上分别取得了分别为 9.7％和 9.1％的 mAP25 改进。

Jun, 2024

本研究提出了一种新的半监督分类模型，命名为 Contrastive Learning with Adaptive Stain Separation and MixUp (CLASSMix)，该模型是基于适应性染色分离的苏木精和伊红染色图像的对比学习和混合学习的组合，经在肾细胞癌数据集上的对比分析，证明了该模型在两个数据集上的优越性能。

Dec, 2023

我们提出了一种弱监督的语义分割方法，能够通过整体场景标注来预测点云的点级标签，同时达到与最近的全监督方法相当的性能。我们的核心思想是通过保守的方式将场景级标签传递给点云中的每个点，即通过无监督聚类进行过分割，通过二分匹配将场景级标签与簇关联，从而仅将场景标签传递给与之最相关的簇，其余部分则完全由无监督聚类引导。我们通过实验证明过分割和二分分配起着至关重要的作用。我们在 ScanNet 和 S3DIS 数据集上评估了我们的方法，在性能上优于现有技术，并证明我们可以达到与全监督方法相当的结果。

Dec, 2023

提出了一种新的课程强化学习方法 D2C，该方法通过对目标条件分类器进行多样化，确保分类器对于来自分布之外的状态产生分歧，从而探索未知区域并定义一种任意目标条件内在奖励信号，从而产生适应性良好的中间目标序列，以自动探索并征服未知区域。实验结果表明，D2C 在定量和定性方面均优于之前的课程强化学习方法。

Oct, 2023

提出了一种 SemiReward 半监督奖励框架，通过预测奖励分数来评估和过滤高质量伪标签，以解决在半监督学习中确认偏差问题，实现高质量标签、快速收敛和任务多样性。

Oct, 2023

给出伪标记策略对图学习模型的影响的深入见解，通过错误分析证明伪标记错误受伪标记阈值的置信度和多视图预测的一致性的限制，并在收敛性属性上理论上说明的基础上，提出了一种谨慎的伪标签方法，通过对置信度最高且多视图一致的样本进行伪标签，从而改进了图学习过程，在链接预测和节点分类任务上优于其他伪标记策略。

Oct, 2023

通过理性诊断符号引导冲突，LogicDiag 逐步解决伪标签内的冲突，恢复错误伪标签，最终减轻错误积累问题；在三个标准半监督语义分割基准测试中证明了 LogicDiag 的有效性和广泛适用性，并突出了系统集成符号推理与统计、神经学习方法中出现的有希望的机会。

Aug, 2023

本文提出了一种名为 GeT 的方法，通过学习高质量的伪标签来学习无偏的目标嵌入分布，减轻源数据偏差并增强目标类别可辨识性，进一步通过结构相似性正则化框架缓解目标类别分布偏差并提高目标类别可辨识性，实验证明我们的方法在各种领域适应设置下均有效且有一致的改进。

Aug, 2023

本文提出了一个名为 ReDB 框架的方法，该方法用于解决多类别训练设置下的领域自适应问题，通过生成可靠、多样性和类别平衡的伪三维边界框并采用交叉领域检查和重叠边界框计数度量等方法，进一步提高了领域适应 3D 物体检测的准确性。

Jul, 2023

本研究提出了一种基于端到端 Transformer 与协同注意力门控视觉 - 语言嵌入的外科手术场景中可定位答案的视觉问答系统，该方法不需要通过检测模型进行特征提取，并建立在数据高效图像 Transformer 模块、并行分类器和检测器之上，该方法在公共手术视频实验上的结果表明了与现有技术的优越性。

Jul, 2023