本研究提出CA-W3D方法，解决弱监督单目3D检测中全局上下文捕捉不足的问题。通过区域级物体对比匹配和伪标签训练，显著提升模型对场景特征的理解，实验结果表明该方法在各项指标上超越现有技术，强调上下文感知知识的重要性。

本研究提出了一种基于长宽比批注的自动结节分割方法，通过两种类型的伪标签训练两个不对称分割网络，并引入动态混合伪标签监督模块解决过分割和欠分割问题。实验结果表明，该方法在超声数据集上的性能优于其他方法，甚至可以与全监督方法相媲美。

该研究提出了一种名为“Projection Norm”的度量标准，用于预测模型在无标签真实标签的情况下对ODD数据的性能。该方法使用伪标签训练新模型，并与输入数据分布模型进行比较以进行预测。该方法在图像和文本分类任务以及不同网络架构上都优于现有方法，并且在理论上与超参数化线性模型的测试误差界限相连。此外，发现“Projection Norm”是唯一实现对对抗性样本检测非平凡性能的方法。