本文提出了一种利用二进制聚类方法的弱监督异常事件检测方法，在 UCF-crime 和 ShanghaiTech 两个数据集上展示了比现有算法更优异的 78.27％和 84.16％的帧级 AUC。

Apr, 2021

本研究中，我们提出了一种利用预发布的电影预告片作为弱监督来检测电影关键时刻的模型。我们引入了一种新颖的排名网络，利用电影和预告片之间的共同关注作为指导，生成高度相关的训练数据对，并提出了一种对特征表示进行增强的对比关注模块，使关键和非关键时刻之间的对比最大化。我们构建了第一个电影 - 预告片数据集，并证明了所提出的方法的性能优越性。

Aug, 2020

利用 CLIP 模型的协作样本选择及预训练，并通过对 prompt 的微调以及协同训练 DNN 分类器，解决在学习有噪声标签的过程中由于样本选择错误累积导致的 DNN 训练偏见和泛化性能问题。

Oct, 2023

本文提出了一种基于元学习的标签纠正框架（MLC），旨在解决数据训练集中标签嘈杂或不确定性等问题，通过调整权重甚至直接纠正嘈杂标签来优化训练。在文本分类等任务中验证了该方法的有效性。

Nov, 2019

该研究提出了一种数据高效的方法，称为 “可信协同学习”（TCL），在多个嘈杂标注器的情况下从多个受信任的数据中学习深度分类器。这种方法通过联合学习数据分类器和标签聚合器来有效地使用受信任的数据生成可信软标签（称为共标签）。

Mar, 2022

本文提出了两种新的视频分析策略来处理噪声标签问题：一种基于特征的噪声标签检测轻量级通道选择方法，另一种构建干净与噪声实例关系以规范化模型训练的对比策略。实验结果表明，我们的方法在三个基准测试集上都优于现有基线，在 Mini-Kinetics 数据集上通过噪声对称 80％测试，噪声检测 F1-score 的提高率达到了 0.4％，分类准确度提高了 5％以上。

Dec, 2022

本文重点研究在含有噪声标签的长尾多标签视觉数据中如何降噪，提出了一种 Stitch-Up 数据增强方法和一个 Heterogeneous Co-Learning 框架，实现去噪和更健壮的表征学习。通过两个挑战性基准测试，VOC-MLT-Noise 和 COCO-MLT-Noise，证明了该方法的有效性。

Jul, 2023

该研究提出了一种新的电影中的视觉场景分析方法，通过自动分类电影剧本和网络数据集，对电影片段进行弱标注，在该数据集上训练出预训练模型并取得显著的视觉场景和流派分类效果。

Oct, 2022

本文提出一个自监督的 ShotCoL 方法，其利用类比学习学习镜头表示，用于发现场景边界和广告插入时间。(This paper proposes a self-supervised ShotCoL method that utilizes contrastive learning to obtain shot representation for detecting scene boundaries and ad insertion timestamps.)

Apr, 2021

本文旨在解决弱监督下视听视频解析任务中的异态噪声标签问题，并提出了一种标签清理的训练策略。通过将每个模态中每个实例的损失进行排序并根据损失的关系选择噪声样本，我们的方法在视觉指标方面取得了明显进展，从而表明我们的方法是有效的。

Apr, 2022