该研究提出了TransPL方法，通过代码转移矩阵和贝叶斯法则改进无监督时间序列数据的领域适应，显著提高了准确率和F1分数。

本研究提出了一种基于伪标注的学习策略，旨在解决新视图合成方法在特写视图生成中的不足，并推出了新的数据集以评估该方法的有效性。实验结果表明，该方法有效。

本研究提出了PICLe框架，解决了低资源命名实体识别中上下文学习对示范选择的敏感性，利用部分正确的伪标注实现有效的任务转移，最终在多个生物医学数据集上超越了ICL。

本文提出了一种基于CLIP模型和图像水平监督的对象中心对齐方法，通过伪标注实现高质量对象提议并扩展词汇表，结合两种对象对齐策略，最小化OVD方案中对象和图像中心表示的差距。新方法在COCO数据集上取得了36.6的AP50表现，在LVIS上达到5.0的掩膜AP，总体提高3.4。

本文介绍了一种基于CLIP模型和图像水平监督的对象中心对齐方法，通过伪标注实现高质量对象提议并扩展词汇表，结合两种对象对齐策略，最小化OVD方案中对象和图像中心表示的差距。该方法在COCO数据集上，在新颖类别上取得了36.6的AP50表现，超过了以前的最佳性能。在LVIS上，罕见类别的掩膜AP超过了最新的ViLD模型达到5.0，总体提高了3.4。

使用分布匹配和最优传输的伪标注方法解决了长尾分布和标签噪声的问题，提供平衡准确的训练样本集，为标签噪声的长尾分类提供性能提升。

本文介绍了一种基于CLIP模型和图像水平监督的对象中心对齐方法，通过伪标注实现高质量对象提议并扩展词汇表，结合两种对象对齐策略，最小化OVD方案中对象和图像中心表示的差距。该方法在COCO数据集上取得了36.6的AP50表现，超过了以前的最佳性能，在LVIS上，罕见类别的掩膜AP超过了最新的ViLD模型，总体提高了3.4。

本文提出了一种基于CLIP模型和图像水平监督的对象中心对齐方法，通过伪标注实现高质量对象提议并扩展词汇表，将两种对象对齐策略结合，实现了在OVD方案中对象和图像中心表示的最小化差距。该方法在COCO数据集上取得了36.6的AP50表现，在LVIS上，在罕见类别上超越了最新的ViLD模型达5.0的掩膜AP，总体提高3.4。

本文提出了一种基于CLIP模型和图像水平监督的对象中心对齐方法，通过伪标注实现高质量对象提议并扩展词汇表，将两种对象对齐策略结合，实现了在OVD方案中对象和图像中心表示的最小化差距。在COCO数据集上，该方法在新颖类别上取得了36.6的AP50表现，超过以前的最佳性能；在LVIS上，罕见类别上超越了最新的ViLD模型达5.0的掩膜AP，总体提高3.4。

本文提出了一种基于CLIP模型和图像水平监督的对象中心对齐方法，通过伪标注实现高质量对象提议并扩展词汇表，将两种对象对齐策略结合，实现了在OVD方案中对象和图像中心表示的最小化差距。该方法在COCO数据集上取得了36.6的AP50表现，在LVIS上，该方法在罕见类别上超越了最新的ViLD模型，达到5.0的掩膜AP，总体提高了3.4。

该论文介绍了一种用于少量数据情况下目标检测的伪标注方法，可以从训练数据中找到高质量伪标注，显著增加训练实例数量，降低类别不平衡问题，并通过验证技术和训练一个专门的模型来纠正盒子边框的质量。该算法在 PASCAL VOC 和 MS-COCO 数据集上表现优异，与现有方法相比获得了最优状态或次优状态。

本文介绍了一种基于CLIP模型和图像水平监督的对象中心对齐方法，通过伪标注实现高质量对象提议并扩展词汇表，结合两种对象对齐策略，最小化OVD方案中对象和图像中心表示的差距。在COCO数据集上，该方法在新颖类别上取得了36.6的AP50表现，超过以前的最佳性能。在LVIS上，罕见类别的掩膜AP超过了最新的ViLD模型达到5.0，总体提高了3.4。