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

本论文提出了一种新的框架 —— 灵活的联邦学习（FFL），可用于协作训练医疗图像分析的大型、异质标记数据集，研究表明，使用 FFL 训练的模型优于仅使用匹配标记训练的模型。

Nov, 2022

本文提出了一种新颖的基于机器教学、整合了 DICOM 标准 SR 注释的人工智能模型服务，以及将其集成到开源的 LibreHealth 放射学信息系统（RIS）中。此平台利用主动学习策略，使得放射学家与模型之间可以建立合作关系，并且运用群集学习方法，实现了共享有多个用户的用户特定模型权重的目标。

Mar, 2023

本研究论文探讨了在计算机视觉任务中，超分辨率学习取得了显著的成功，但获取高质量的标注数据仍然是一个瓶颈。作者调查了 AI 辅助深度学习图像标注系统的学术和非学术作品，这些系统为注释者提供关于输入图像的文本建议、标题或描述，从而提高注释效率和质量。研究涵盖了各种计算机视觉任务的标注，包括图像分类、目标检测、回归、实例、语义分割和姿态估计。作者回顾了各种数据集以及它们对 AI 辅助标注系统的训练和评估的贡献。此外，作者还研究了利用神经符号学习、深度主动学习和自监督学习算法实现语义图像理解和生成自由文本输出的方法，包括图像字幕生成、视觉问答和多模态推理。尽管前景看好，但 AI 辅助图像标注与文本输出能力的公开可用作品有限。文章最后提出了未来研究方向的建议，强调了更多公开可用的数据集和学术界与工业界合作的必要性。

Jun, 2024

EEVEE 是一种专注于简便性、效率和易用性的标注工具，可以直接在浏览器中运行，并使用制表符分隔的文件进行标注，支持多任务标注和四种任务类型。

Feb, 2024

介绍了一个名为 3D Labeling Tool（3DLT）的标注工具，利用深度信息从图像中重建三角网格来对目标进行一次标注，大大提高了标注的速度。该工具可用于 2D 图像和 3D 三角网格，并且采用注册和异常值检测等技术提高标注精度。

Jul, 2022

通过人工智能的对象检测神经网络技术，在考古学目录中快速、自动和标准化地收集数据，同时记录几何整体轮廓。

Nov, 2023

该研究开发了一个开源的基于云计算平台的 Web 应用程序 ShinyAnimalCV，它提供了一种用户友好的界面，用于执行计算机视觉任务，包括目标分割、检测、三维表面可视化和提取二维和三维形态特征。该应用程序包含九个预训练的计算机视觉模型，并且可以被用于动物科学领域中的研究和教学。

Jul, 2023

本文提出了一种名为 Rapid 的神经符号方法，该方法通过少量标注数据和自动标注技术来推断图像标注规则

Jun, 2023

通过基于用户能力从协作数据中递归估计正确识别记录的植物种类，我们提出了一种标签汇聚策略来协同训练植物识别 AI 模型，并通过评估用户技能的多样性增强标记性能，这强调了人类注释和数据过滤的协同作用以提高 AI 性能。

Jun, 2024