本文探讨了多种基于人工智能的运动质量评估（AQA）方法，包括可解释的Rubric-Informed Segmentation模型和不确定性感知评分模型（USDL）。研究表明，这些方法在运动表现评估中优于传统模型，增强了裁判的信任度，并提供了更可靠的评分依据。同时，多任务学习和半监督方法显著提高了评估准确性，推动了AI生成视频中动作质量评估的发展。

本文提出了Boundary-Aware BERT (BABERT)模型，能够直接编码无监督统计边界信息，应用于中文序列标注任务，实验结果显示在多个基准上有显著提升。此外，研究还探讨了半监督方法和混合粒度模型MigBERT，均在中文NLP任务中表现优异。

本文评估了基于深度学习的无监督和半监督方法，用于物联网系统的异常检测和诊断。实验结果表明，动态评分函数比静态评分函数更准确。基于单变量完全连接的自编码器和动态高斯评分函数是一种简单有效的检测器。

该研究提出了一种新的半监督方法，通过平均教师框架减轻训练可靠的人群计数模型的标注负担，提高模型的实用性和准确性。

本文评估了基于深度学习的无监督和半监督方法，用于物联网系统的异常检测和诊断。实验结果表明，动态评分函数比静态评分函数更准确。基于单变量完全连接的自编码器和动态高斯评分函数是一种简单有效的检测器，优于现有算法。

该研究提出了一种利用半监督方法进行图片合成的新方法，通过操作图像的着色和反照率层来提高合成图像的视觉逼真度。该方法通过两个阶段的管道实现，首先以物理学渲染为目标预测准确的着色，然后采用改进的CycleGAN网络进一步提高纹理和着色的逼真度。实验证明，该方法可以产生更逼真的图像，并且训练出的网络比领域适应方法预测出更精确的深度和法线。

本文介绍了CatFLW数据集，包含2016张猫脸照片，使用48个脸部重点标记和CatFACS进行注释，用于动物情感计算和面部分析的自动化。同时，作者提供了一种半监督方法来注释图像中的标志，以便创建此数据集，并在请求时提供该数据集。

该研究提出了一种基于平均教师框架的新的半监督方法，可减轻训练可靠的人群计数模型所需的大量标注负担，提高模型的实用性和准确性。该方法在人群计数领域表现最先进。

本文提出了一种名为ASS的半监督方法，使用语义级别的对抗学习来提高全局和局部特征的分布一致性，以减轻源域和目标域之间的数据分布差异。实验结果表明，ASS可以通过增加目标域的注释样本克服针对源域的过度拟合，并且使用少量的注释样本可以显著优于目前的无监督方法。

本文评估了基于深度学习的无监督和半监督方法，用于物联网系统的时间序列数据的异常检测和诊断。通过实验，提出了组合F-score度量，考虑了异常事件的相关性和检测器的复杂性。实验结果表明，动态评分函数比静态评分函数更准确。选择评分函数比选择基本模型更重要。发现了一种简单有效的检测器，基于单变量完全连接的自编码器和动态高斯评分函数，胜过现有算法。

该研究提出了一种利用半监督方法进行图片合成的新方法，通过操作图像的着色和反照率层，训练半监督网络提高合成图像的视觉逼真度。该方法通过两个阶段的管道实现，首先以物理学渲染为目标预测准确的着色，然后采用改进的CycleGAN网络进一步提高纹理和着色的逼真度。实验结果表明，该方法可以产生更逼真的图像，并且训练出的网络比领域适应方法预测出更精确的深度和法线。

本文介绍了一种基于Transformer框架的半监督方法TreeFormer，通过金字塔表示模块、特征融合和树密度回归模块建立多尺度特征表示，通过图像解码器实现对树的数量统计和密度估计，降低了标注成本。实验结果表明，该方法在三个数据集上超越了当前半监督方法的水平，并且使用相同数量的标注图像超越了全监督方法。