该文综述人群计数研究进展，涵盖局部计数映射、半监督学习、教师-学生框架、空间不确定性、SPANet与MEP损失、稀疏标注、SAM伪标签及LSC-CNN检测等方法，旨在减少标注依赖并提升计数精度。

该文综述深度伪造检测中的公平性与泛化问题：偏见数据导致模型对种族、性别等群体表现不公，需构建平衡数据集并引入公平指标；现有检测器难以泛化到未见伪造，可通过领域自适应、增量学习、分离通用伪造特征及稀疏标注等方法提升鲁棒性与公平性。

该文综述医学图像分割的半监督深度学习方法，涵盖正则化、自举、自集成、自监督对比学习及稀疏标注等技术。研究表明，利用少量未标记数据可提升模型泛化与分割精度，在脑损伤、前列腺、左心房、多发性硬化症及皮肤病变等任务上优于现有方法，并展望了标签高效学习的未来方向。