本篇论文介绍了新型的图像检索方法：内容检索和基于标记的检索，它们都存在一些限制。作者提出了一种方法，可以对深度学习产生的标记进行语义细化和扩展，解决了标记的嘈杂问题和限制，使用整数线性规划来解决该问题。实验表明，该方法可以改善现有的可视化标记工具的质量。

Sep, 2019

提出迭代细化策略以增强在医学应用中深度学习模型的准确性和效率，优化自动数据标注的质量，通过实证评估和案例研究证明迭代细化对于医学成像领域的深度学习任务具有重要作用。

Apr, 2024

利用 vTelos 方法结合自然语言处理、知识表示和计算机视觉技术，通过利用 WordNet 词汇 - 语义层次结构来明确图像注释的含义，从而减少主观选择，实现了显式的注释语义。

Jul, 2023

本研究旨在解决深度学习架构在面临新增任务时由于灾难性遗忘导致性能下降的问题，提出了一种知识蒸馏方法来保留以前学习过的类别信息，并同时学习新类别，本文在 Pascal VOC2012 数据集上进行了实验验证其有效性。

Jul, 2019

本文研究标签的一些属性对于监督学习算法的挑战，介绍了 Label Refinery，这是一个迭代的过程，可以在检查整个数据集后更新基本事实标签。作者发现，使用精炼标签可以提高各种模型的准确性，如 AlexNet、MobileNet 和 VGG19 等。

May, 2018

本文主要探讨机器学习和计算机视觉领域中的目标识别问题，认为其根源在于缺乏知识表示方法，因此提出了一种基于图像属性的分类方法，并在 ImageNet 数据集上进行了验证。

Feb, 2022

本文介绍了基于内容和标签的图像检索方法中，标签赋值、细化、检索三个问题的处理方法，分类讨论了各种方法的实现及其信息利用方式，并提出了实验方案以便更准确地评估算法表现。

Mar, 2015

本文着重介绍了如何应用知识蒸馏技术来处理增量学习的语义分割问题。经过在 Pascal VOC2012 和 MSRC-v2 数据集上的实验，该方法在多个增量学习场景中表现出显著的有效性。

Nov, 2019

该论文提出了一种新的语义分割框架，采用弱增量学习，使用辅助分类器和软标签更新模型，从图像级别标签中学习新类别的分割，可有效减少由像素逐像素标注带来的时间和经济成本。

Dec, 2021

本文提出并证明：传统的无监督对比学习的标签裁定策略会降低图像检索的性能，本文的自标记策略包括自标记精炼器和动量混合，可以提高无监督对比学习的泛化性能和预测准确性，实验表明本文算法在 CIFAR10、ImageNet、VOC 和 COCO 数据集上有效。

Jun, 2021