弱监督学习的本地提升
本文主要研究深度学习在对象定位领域中的应用以及如何借助弱监督学习方法实现对象定位，特别关注了在医学图像分析中如何利用 self-transfer learning 方法来解决没有预先训练模型的情况。
Feb, 2016
本研究基于贝叶斯共同主题建模，提出解决弱标签图像目标定位问题的新框架，同时考虑目标与背景，可利用先验知识补偿有限监督，在混合弱标注和未标注数据的情况下学习，结果显示在 VOC 数据集上优于现有方法。
May, 2017
本文提出了一种通过特定注释和深度网络中间表示的聚类与标签分配来改善弱监督下物体定位失败的方法，并在 ILSVC2014 和 PASCAL VOC2012 数据集上得到了显著改进的结果。
May, 2016
本文介绍了一种采用多实例学习方法、利用二进制标签训练目标探测器并推断正样本中物体的位置的弱监督学习方法，旨在解决目标分类定位问题，同时提出了一种多因素多实例学习流程和窗口细化方法，将之应用于高维特征，例如 Fisher 向量和卷积神经网络特征，并在使用 PASCAL VOC 2007 测试集进行实验验证其有效性。
Mar, 2015
本文提供了一种改进的技术，用于弱监督目标定位，通过数据增强和卷积神经网络的学习优化，与当前最先进的技术相比，可以将 Top-1 的定位准确性提高 21.4% 至 37.3%。
Feb, 2018
本文提出了一种使用仅图像标签训练的分类网络的弱监督对象定位算法，该方法利用卷积层中捕获的局部空间和语义模式来检测和定位图像中的多个物体，通过采用有效的束搜索方法，该方法在标准对象定位数据集中明显优于现有技术，mAP 得分提高了 8 个点。
Mar, 2016
本研究旨在通过使用一个完全标注的源数据集，研究使用仅弱标注的图像标签来学习定位模型的问题，并提出了一种基于类内成对相似度函数的新方法来代替过去使用的仅学习物体性分数的弱知识转移方法。通过在 COCO 和 ILSVRC 2013 检测数据集上的实验，我们展示了该方法的有效性。
Mar, 2020
本文提出了一种基于贝叶斯联合主题建模的新框架，通过学习较弱标签的数据，将前景对象类建模到单个生成模型中，并利用多类型的先验知识来提高学习和定位效果，因此能够更好地解决对象定位问题。
Jun, 2017