本研究提出了两种改进多标签图像分类的技术：一种新的损失函数和标签决策模块，以优化视觉概念的置信阈值。通过在VOC2007、NUS-WIDE和MS-COCO数据集上的实验，验证了方法的有效性，取得了最佳结果。

本文提出了一种名为ProbMCL的多标签图像分类框架，结合有监督对比学习和混合密度网络，验证了其在计算机视觉和医学影像中的有效性。研究探讨了多模态对比学习机制，提升了图像分类性能，并介绍了新型目标检测方法，显示出在检测精度和鲁棒性方面的优势。

本文介绍了名为ChestX-ray8的新的胸部X光数据库，包括108,948个患者的32,717个独特患者的前瞻性X光图像和八个疾病图像标签。作者展示了通过弱监督的多标签图像分类和疾病定位框架可以检测和定位常见的胸部疾病。尽管结果良好，但基于深度卷积神经网络的阅读胸部X射线仍然是完全自动化的高精度CAD系统的挑战。

本文介绍了一个名为ChestX-ray8的新的胸部X光数据库，其中包括108948个患者的32717个独特患者的前瞻性X光图像和使用自然语言处理从相关放射学报告中提取的八个疾病图像标签。作者展示了这些常见的胸部疾病可以通过弱监督的多标签图像分类和疾病定位框架进行检测甚至空间定位，并证明了这一点。