SamSmartLabel是一款基于C#和WPF的智能图像标注工具，利用MobileSam模型实现高效、准确的自动标注，支持多种标注方式，显著提升工作效率和用户体验。

本研究提出了一种多阶段框架，旨在解决作业数据的自动标注与职业分类问题，提高分类精度，适应多标签技能分类，提供实用解决方案。

本研究提出了一种新的检索增强分类方法(RAC)，通过开源模型自动标注训练数据，降低机器学习项目的成本，提高高基数任务的标注效果。

本研究提出了一种创新的自动标注框架，解决越南等低资源语言社交媒体文本的词汇标准化问题。通过半监督和弱监督技术，提升训练数据质量和规模，减少人工标注。实验结果显示，该框架在越南文本标准化中表现优异，F1分数达82.72%。

我们开发了LiSV-3DLane数据集，包含2万帧LiDAR点云，涵盖城市和高速公路的复杂车道。通过几何特征和空间属性实现自动标注。提出的LiLaDet模型在K-Lane和LiSV-3DLane数据集上表现优于现有方法。

该研究聚焦于4D雷达的优势，在恶劣天气条件下进行鲁棒的三维目标检测网络研究。研究提出了一种自动标注的方法，利用4D雷达张量在K-Radar数据集上自动生成标注，从而训练了雷达张量网络。实验结果表明，该方法有效。

本研究提出了MOSMOS框架，通过医学报告的监督来增强多模态数据在多脏器分割任务中的效果。实验结果良好，为未来自动标注任务的研究奠定基础。

本文提出了一个统一的主动学习框架，考虑了检测器的不确定性和鲁棒性，提高了网络在所有类中的表现。通过自动标注抑制潜在的分布漂移，提高了模型性能。实验结果显示，该方法在PASCAL VOC07+12和MS-COCO上优于主动学习方法，mAP提高了7.7%，标注成本降低了82%。

LabelFormer是一种用于自动驾驶感知系统训练中的自动标注的轨迹级精化方法，利用自注意力对轨迹进行时间上下文推理，生成精化的目标尺寸和每帧的位置。在城市和高速公路数据集上的评估表明，LabelFormer性能优于现有方法，同时使用该方法生成的自动标注增强数据集训练的效果也得到了改善。

本文提出了一个统一的主动学习框架，考虑了检测器的不确定性和鲁棒性，通过自动标注抑制潜在的分布漂移，提高了模型性能。实验结果显示，该方法在PASCAL VOC07+12和MS-COCO上优于主动学习方法，mAP提高了7.7%，标注成本降低了82%。