本文提出了一种使用多一致协作机制的微弱监督表情识别框架，称为 MC-WES 框架，用于实现精细的帧级别识别。试验结果表明，MC-WES 与当前最先进的全监督方法相当。

May, 2023

WSCLoc 系统用于弱监督和稀疏视图条件下的摄像机定位任务，通过两个阶段的联合优化提高了深度学习模型的性能，实现了超过当前方法的姿态估计准确性。

Mar, 2024

本文介绍了一种基于弱监督学习的照片增强方法，使用图像生成对抗网络将低端和紧凑型移动相机拍摄的照片自动翻译成 DSLR 级别的高质量照片。实验证明，该方法能够在不需要高度标注数据的情况下，利用从互联网上获取的高质量图像集对模型进行训练，并获得与有监督方法相当或更好的增强效果。

Sep, 2017

使用弱标签在多视角视频上训练基于视频的动作识别模型，并使用潜在嵌入来提高准确性。

Mar, 2024

本文提出了一种强调高效上下文建模和增强语义可区分性的弱监督视频异常检测框架，其中包括时间上下文聚合模块、语义先验增强学习模块和评分平滑模块， 实验结果表明该方法以更少的参数和计算成本在三个具有挑战性的数据集上实现了竞争性的性能，某些异常子类的检测准确率也得到了极大的提高。

Jun, 2023

该研究提出了一种通用的技术，以实现对任何标签类型的弱监督，同时仍提供实用灵活性、计算效率和理论保证，并应用于以往没有使用弱监督框架解决的重要问题，包括排序学习、回归和超似曲空间中的学习。

Dec, 2021

这篇论文介绍了一种从弱监督学习中学习的通用框架，其中核心是使用期望最大化 (EM) 方法灵活处理各种弱监督来源，包括实例部分标签，聚合统计，成对观测和无标签数据。我们还提出了一种先进的算法，使用非确定性有穷自动机 (NFA) 和前后向算法显著简化了 EM 的计算需求，有效地将时间复杂度从现有解决方案中通常需要的二次或阶乘降低到线性规模。这种学习任意弱监督问题的方法被转化为对 NFA 的建模。GLWS 不仅提高了机器学习模型的可扩展性，还在 11 个弱监督场景中展示了卓越的性能和多功能性。我们希望我们的工作为这个领域的进一步发展和实际应用铺平道路。

Feb, 2024

本文介绍了两种基于多示例学习框架的弱监督技术，即模糊集多示例学习和概率标签多实例学习，旨在利用文本线索自动识别视频概念，同时提供一种提取复杂语义中的弱标签的新方法。作者在 COGNIMUSE 数据库中展示了这些方法在面部和动作识别任务上的较强性能。

Dec, 2017

本文提出了基于新型弱标注的视频显著目标检测模型，并使用外观运动融合模块和双向 ConvLSTM 框架来实现有效的多模态学习和长期时序建模，还设计了一种前景背景相似度损失和一种弱标注增强策略，以提高模型性能和伪标签生成技术。在六个基准视频显著性检测数据集上的实验结果证明了我们方案的有效性。

Apr, 2021

提出了 AutoWS 框架用于增加弱监督过程的效率，减少对领域专家的依赖性，使用少量标记的实例和自动创建标注函数的方法来指定嘈杂标签，然后通过一个下游歧别分类器将其聚合成概率标签。

Feb, 2023