- 基于深度学习的物体姿态估计：综述
基于深度学习的物体姿态估计的最新进展、挑战和未来研究方向的综述。
- 使用具有位置预测的 Transformer 进行高效睡眠分期
无监督学习在睡眠分期方面的研究表明，应用全面的预训练方案能够显著提高性能，减少所需的标记训练数据，因此建议在睡眠分期的自监督学习研究中采用这种方法。
- 探索非配对图像翻译中的语义一致性，以生成外科应用数据
探索了无配对图像翻译技术在手术应用中生成具有语义一致性数据的可行性，并发现结构相似性损失和对比学习的简单组合方法取得了最有希望的结果。定量分析表明，使用这种方法生成的数据具有更高的语义一致性，可以更有效地用作训练数据。
- ACL评估自然语言推理在标注数据有限的语言下对仇恨言论检测的有效性
本研究探讨了自然语言推理（NLI）模型对于在仅有少量标记数据的情况下，提高仇恨言论检测性能的可行性，并提出了一组针对存在极少标记训练数据的语言的仇恨言论检测推荐方法。
- 自然输入输出的小样本挖掘
本文提出了基于有监督挖掘函数训练的两阶段挖掘方法，用于从大量文本中挖掘输入输出样例，以生成高质量的自然语言训练数据，与仅使用种子集合训练的基线相比，在阅读理解和摘要生成等多个任务上均有不同程度的效果提升。
- 用于胸部 X 光分类的自监督深度卷积神经网络
本研究提出了一种自监督深度神经网络，在未标记的胸部 X 射线数据集上进行预训练，并将学到的表示迁移到下游任务 —— 呼吸系统疾病的分类。在四个公共数据集上获得了有竞争力的结果，而不需要大量标记的训练数据。
- 分类数据集中的错误标记实例识别
本文提出了一种非参数化端到端的流程，用于发现在数字、图像和自然语言数据集中的错误标签实例。作者评估了其系统在添加少量标签噪音的情况下的性能，并显示了系统的 top 1％推荐的平均精度超过 0.84。作者最终将其方法的代码和可实现的实现发布出 - ACL利用挖掘规则作为弱监督实现神经方面与观点术语提取
通过算法自动挖掘提取规则，应用于标注大量辅助数据，以及研究训练程序，使得神经网络模型在同时学习自动标注和人工精确标注数据的情况下，超越或与现有先进技术相当的表现。
- MM从互联网提取视觉知识：理解图像数据
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 - 基于搜索引导的轻量级监督下的结构预测能量网络训练
文章介绍了一种使用截断随机搜索来训练结构化预测能量网络（SPENs）的方法，以达到在无标记训练数据的情况下有效监督和提高性能的目的。通过使用简单易得的人类知识或不可微分的流水线来组装标量奖励函数，并使用快速的截断随机搜索来有效地搜索输出空间 - 深度目标检测主动学习
本研究结合活性学习和增量学习的方法，提出一种基于不确定度的适用于大多数对象检测器的主动学习度量标准，并探讨在样本选择过程中如何解决类别不平衡问题，通过系统评估在 PASCAL VOC 2012 数据集上，实现对新未标注数据集的持续探索。
- 深度网络上强制加入硬限制：承诺与局限
本文介绍了如何在深度神经网络中实施硬约束来提高预测质量，并通过与软约束相比的实验结果证明了软约束比硬约束更加有效。
- CVPR富人借宝：选择性联合微调的深度迁移学习
本论文提出了一种源目标选择性联合微调方案，通过识别和使用一组特定的训练样本以及联合微调共享卷积层来改善深度学习任务的性能，该方案在多个视觉分类任务中以单一模型获得了最先进的性能。