- NuInsSeg：H＆E 染色组织学图像中核实例分割的全面注释数据集
我们发布了一个大规模的手工标注的细胞核数据集 NuInsSeg，其中包含来自 31 个人和小鼠器官的 665 个图像补丁，超过 30,000 个手动分割的细胞核。此外，我们首次提供了整个数据集的模糊区域掩模，用于表示图像的某些部分即使对于人 - CLANet: 基于 brightfield 图像的跨批次细胞系鉴定的全面框架
提出了一种名为 CLANet 的深度学习框架，通过聚类级别的选择方法和自我监督学习策略来使用亮场图像进行跨批次细胞系识别，进而在细胞系鉴定中解决了批次效应等问题。
- 利用多尺度对比正则化进行涂鸦辅助的细胞分割
本文提出了一种新的多尺度对比正则化方法，用于改善只使用少量标记信息的自监督学习方法，能够有效地进行多层次结构分离，证明了这种方法的有效性。
- 基于内容的图像检索的类别特定变分自编码器
本文提出了一种正则化损失的变分自编码器（VAEs），通过强制模型关注感兴趣的类别，使得 VAE 的学习潜在空间适用于特定类别的检索任务，新方法在三个公共数据集和一个自定义数据集上得到比竞争 VAE 的方法更好的表现，尤其是在域内和域外检索问 - SelfAct: 基于自监督和主动学习的个性化活动识别
SelfAct 是一种新颖的人类活动识别框架，结合了自监督和主动学习，通过利用大量未标记的数据进行预训练，学习传感器数据的高效表示，并通过新的无监督主动学习策略进行微调，其结果接近或优于完全监督方法的结果。
- 自适应分区的深度学习方法
本研究提出一种监督深度学习适应性分区方法，用于建模可压介质中 1D 激波的传播，它能够准确地捕捉域内的激波，生成适应性非均匀网格，可在降低计算时间的同时保证计算时空间离散化的准确性。
- ACL多语言原型模型在自然语言理解任务中的跨语言可迁移性研究
本文提出一种方案，使用几个样本训练的神经网络和多语言 Transformer 基础模型之间协同作用的跨语言转移，以改进跨语言学习的性能，实验结果表明，我们的方法能够显著提高跨低资源语言与高资源语言之间的转移学习性能，进一步的结果证明了 me - 基于深度强化学习的自闭症谱系障碍 fMRI 预测
本研究使用深度强化学习算法（DRL）与监督深度学习算法（SDL）对小型 fMRI 数据集进行分类，结果表明 DRL 在准确率与泛化能力方面都优于 SDL，且对训练数据具有更高的数据利用率。
- CVPRUNICON: 通过均匀选择和对比学习抵抗标签噪声
该论文提出了一种名为 UNICON 的简单而有效的样本选择方法，使用 Jensen-Shannon 散度的均匀选择机制来应对高标签噪声问题，并且在多个基准数据集上进行了广泛的实验，证明了 UNICON 的有效性。
- MM基于多个有噪音注释者的可信合作标记学习
该研究提出了一种数据高效的方法，称为 “可信协同学习”（TCL），在多个嘈杂标注器的情况下从多个受信任的数据中学习深度分类器。这种方法通过联合学习数据分类器和标签聚合器来有效地使用受信任的数据生成可信软标签（称为共标签）。
- 利用合成训练数据提高深度学习质量检测的泛化能力
通过生成合成图像来解决领域不稳定性问题，从而使训练的深度学习模型更加稳健。我们描述了我们的合成数据生成管道和我们的深度学习方法来回答这些问题。
- 用于高效注释的 HER2 幻灯片超像素预分割
本文探讨了超像素方法在肿瘤科学中的应用，并将其与其他方法进行了比较。评估结果表明，基于自编码器和适应领域的方法在定位乳腺癌 HER2 的边界方面效果更好，这为高效手动细化切片提供了支持。
- 数据点自注意：深度学习中超越个体输入输出对
该论文提出了一种将整个数据集作为输入的深度学习架构，使用自我注意力的方法显式地推理数据点之间的关系，通过学习如何利用其他数据点进行预测，采用参数化注意力机制实现非参数模型，解决了一些传统深度学习模型无法解决的交叉数据点查询和复杂推理任务。
- ECCV通过联合生成和分类缓解数据集不平衡
本研究通过组合神经网络分类器和生成对抗网络技术提出了一种联合数据集修复策略，用于解决数据集不平衡所导致的性能下降和数据偏差问题，实验证明这种方法可以提高分类器和生成对抗网络的鲁棒性。
- ICCV多层域自适应学习用于跨领域检测
提出了一种多级域自适应模型，通过同时对本地级别特征和全局级别特征分布进行对齐，以解决交叉域目标检测中现有方法对局部特征分布不能有效匹配的问题，并在多种实验中验证了其效果。
- 基于混合神经标注模型的开放关系抽取
本研究提出了一种基于序列标注与双重感知机制（Local-aware Attention 和 Global-aware Convolution）的混合神经网络模型（HNN4ORT），以克服 Open relation extraction 任 - ICCV基于姿态的多人部位分割的跨域互补学习
本文提出了一种无需使用人工注释标签，仅仅利用丰富真实数据和易获得合成数据标签的方法，通过姿态表示有效地建立了合成和真实域之间的桥梁，以学习在真实图像上进行多人身体部位分割的方法，并显示该方法表现出与需人工标注标签的现有方法可媲美的效果。
- 深度神经网络的学习曲线：高斯场理论视角
使用一种物理学方法对深度学习进行研究，通过重整化群、Feynman 图和副本构造了一个多功能场论形式体系用于分析高度超参数化情况下的深度学习，研究表明 DNNs 除了高度超参数化外，仍然具有解释性和预测性 —— 偏向于简单函数。
- 3D 物体重建中下一最佳视角的监督学习
本文提出了一种基于监督深度学习的最佳视角规划方案，该方案包括自动生成数据集的算法和原始三维卷积神经网络 (3D-CNN)，用于学习下一个最佳视角，并与类似网络进行了比较，并进行了多个实验验证了该方案的有效性，以实现对不知名对象的重建。
- CVPRRefine and Distill: 利用循环不一致性和知识蒸馏进行无监督单目深度估计
提出了一种基于自监督深层模型的新型单目深度估计框架，其中包括通过反向循环模型进行的深度估计网络优化、信息蒸馏等策略。此框架在 KITTI 基准测试中表现出良好的性能，胜过了目前的非监督方法。