本文介绍了一种名为正交映射（OM）的方法，用于解决细粒度目标检测中的语义混淆挑战。OM通过在特征空间中引入正交约束，提高分类准确性。实验证明OM在三个数据集上的效果卓越，尤其在ShipRSImageNet数据集上，OM相对于FCOS在mAP上提升了4.08%。

本文提出了一种新的方法，使用测试时增强（TTA）将自训练（ST）与主动学习（AL）相结合，用于深度学习任务。实验结果表明，该方法在MRI胎体和胎盘分割任务上有效，提高了性能。然而，对于单序列胎体分割，AL并不比随机选择更好。在胎体分割序列转移方面，将AL与ST结合可以获得较好的结果。

本研究提出了一种无监督域自适应的源免物体检测方法，通过动态重训练和历史学生损失，在多个基准适应领域中取得了先进的性能。

通过将负预测分组到桶中以减少成对比较的数量，我们的基于排序的 Loss 方法可以提高时间复杂度，并在不影响准确性的情况下，以平均快两倍的速度进行训练，从而有效解决了传统方法中因时间和空间复杂度高而导致的问题。

利用多光谱图像进行太阳活动区域的精确定位是理解太阳活动及其对空间天气影响的一个具有挑战性但重要的任务。我们提出了一个多任务深度学习框架，利用图像波段之间的依赖关系来实现三维活动区域的定位，同时不同的图像波段有各自的结果。此外，为了解决训练机器学习算法所需的密集活动区域标注的困难，我们采用了一种基于弱标签（如边界框）的递归训练策略。我们的框架在所有模式上实现了 0.72 IoU（分割）和...

我们提出了一个Chebyshev置信度引导的无源域适应框架，通过引入去噪方法和置信度加权模块，准确评估伪标签的可靠性并生成自我改进的伪标签，提高伪标签的准确度。实验证实了该框架的有效性。

本研究提出了一种基于扩散的伪装目标检测框架（diffCOD），通过去噪扩散过程和模型学习来分割伪装目标。实验结果表明，该方法在伪装目标的纹理细分割上取得了有利的性能。

该文章介绍了一种新颖的双学生知识蒸馏（DSKD）架构，用于无监督异常检测。通过金字塔匹配模式和深度特征嵌入模块，该架构可以增强蒸馏效果、改善正常数据的一致性识别，并同时引入多样性来表示异常。实验证明，DSKD在小型模型上表现出卓越的性能，并有效改进了原生S-T网络。

Cascade-DETR是一种用于通用目标检测的方法，通过级联注意力层解决了泛化和定位准确性问题。它还通过将对象中心信息集成到检测解码器中来提高准确性，并通过预测查询的预期IoU来提高置信度的校准性。Cascade-DETR在UDB10数据集上取得了显著的改进，有些甚至超过10个mAP。

本文提出了一种基于置信度的伪标签方法，用于半监督目标检测。该方法能更好地估计伪标签的质量，并调整产生的阈值和权重，提高性能。实验结果表明，该方法在有限标注情况下能提高性能。