本文介绍了为印度语言量身定制的动词中心词汇资源 OntoSenseNet 的丰富，其重要贡献之一是通过开发一个计算版本来保留 Telugu 词典的原汁原味。手动注释的黄金标准语料库共包含 8483 个动词、253 个副词和 1673 个形容词，并由本地语言人士根据定义的注释指南进行注释。本文提供了注释过程的概述，并通过互注器协议的验证，验证了所开发资源的有效性。
Jul, 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
评估目标提议的有效性，通过仅针对由阈值筛选的注释子集进行评估，使用语义基础实现与图像字幕和人工注释的对齐，并比较当前在场景图生成基准中使用的检测器的性能对比。
Sep, 2023
本文提出了一种语义优化方法，称为视觉语义损失（VSL），以辅助模型专注于图像的主要内容，通过对图像的注释文本的利用，减少次要内容的负面影响，通过两个基准数据集（MSCOCO 和 Flickr30K）的大量实验，证明了该方法的卓越性能。
Apr, 2023
提出了一种基于知识表示（KR）的方法来指导数据标注的过程，并通过迭代优化技术，将对象组织在分类层次结构中，以保证它们与它们的语言描述保持一致，从而间接地引入了 ML 模型的预期语义。初步结果验证了所提出方法的有效性。
探讨了在创造和验证视觉和语言注释数据集时所面临的困难和问题，指出现有数据集反映了数据选择和注释过程中出现的问题。
Jul, 2016
通过引入 “图像语法” 的概念，结合卷积神经网络和视觉变换器，我们提出了一个两阶段的弱监督学习方法，利用深度聚类和特征细化生成部分 - 语义分割，并结合双向长短时记忆模块处理语义分割补丁序列以捕捉图像语法，实现了对图像补丁损坏的准确检测，在多种语义和句法损坏场景中，验证了我们的框架在 Celeb 和 SUNRGBD 数据集上能够实现 70% 到 90% 的语法验证准确度。
Jan, 2024
本文提出了一种算法，通过递归识别物体的视觉属于和视觉特征来实现物体识别，从而实现了基于词义层次结构的物体识别，进一步推动了人机交互的研究。
May, 2023
本文提出了一种新型的无监督视觉基础框架，使用概念学习作为代理任务来获得自我监督，以鼓励模型定位和解释语义属性，在多项实验中，该方法在图像本体库、ReferItGame 数据集上分别提升了 5.6% 和 5.8%，在 Flickr30k 数据集上达到了与最先进的表现相媲美的水平。
Mar, 2018
利用少量数据进行学习是一项具有挑战性的计算机视觉任务，本文通过引入高质量的语义以及使用简单的网络结构，设计了一个名为 “语义进化” 的自动化方式来解决少样本学习中的问题，实验证明该方法在少样本分类任务中表现优异。
Nov, 2023