NeuralFastLAS 是一种可扩展且快速的端到端方法，能够联合训练神经网络和符号学习器，实现在任务中找到最优符号解的能力，并提供了理论结果和实验验证。
Oct, 2023
本文提出了一种完整的神经符号方法，用于以端到端的方式将图像处理为对象，并在学习关系和逻辑规则方面。主要贡献是以可微分层为基础，从而可以通过剪枝和阈值确定符号关系和规则。我们使用两个数据集进行模型评估：符号规则学习的子图同构任务和学习对象，关系和规则的复合关系的图像分类域。结果表明，该模型超越最先进的符号学习者并优于深度关系神经网络架构。
Jun, 2021
本研究对图像标注软件进行了系统性的文献综述和分类，提出了组织结构、用户界面设计选项和用户支持技术的体系化方案，并应用于现有软件和文献领域，揭示了多个应用原型和关键领域，如医疗保健或电视中的图像检索或实例识别。
Apr, 2021
通过我们提出的方法，可以使用生成的数据训练任何深度神经网络来解决医学图像分析领域中数据不足和专家标注难题，从而提高地位监督模型和强监督模型的准确性。
Aug, 2023
这篇论文提出了一种递归式的训练策略，在使用非常少的带有像素级注释的训练样本的情况下，通过使用较便宜的图像级标注扩展这个小的训练样本集，完成语义分割的任务，进而应用于颅内出血的分割。
Mar, 2020
本研究针对视觉识别技术中的特征表示、学习算法和标记的训练数据进行了探究，提出了一种基于网络监督的自动图像数据生成方法，以实现对大量视觉概念的高效训练和识别。在 Pascal VOC 2007 数据集上对该方法进行了测试，并取得了明显的优越性能。
Jun, 2019
提出了一种名为 CleverLabel 的新方法，该方法使用 validated proposal-guidEd 注释和 repaired labels 来实现高质量、低成本的标注，可在多个领域的真实图像分类基准测试中，将标注成本降低高达 30.0％，同时相对改进 Kullback-Leibler 散度高达 29.8％，为大规模数据集的高效标注提供了一种新的解决方案，并提高了标注质量。
May, 2023
我们提出了 NeuralLabeling，这是一种使用边界框或网格进行场景标注的方法和工具集，可以生成分割掩膜、可用性地图、2D 边界框、3D 边界框、6DOF 物体姿态、深度图和物体网格。
Sep, 2023
本文研究了一种高效的策略收集多类别图像集的分类标签，使用自监督学习技术并将标注问题视为半监督学习问题，并提出了有效的标注指南，用此方案对 ImageNet100 图像集进行模拟实验，结果表明每张图像平均仅需 0.35 个标注，即可标注到 80% 的 top-1 准确率，相比之前的工作和手动注释，分别提高了 2.7 倍和 6.7 倍。
本文提出了一种 guided labeling 方法，可以自动确定从未标记的数据集中应该标记哪些样本，从而显著地减少了需要手动标记的样本数量。
Dec, 2017