我们提出了一种协议，通过未标注视频进行文本到视频检索训练，不依赖视频标签，但利用有标签的图像。使用图像专家模型如CLIP，通过文本到图像检索和图像字幕模型为未标注视频提供监督。通过自动标记视频帧，实现文本到视频检索训练，效果超过CLIP的零样本学习基准。实验在ActivityNet、MSR-VTT和MSVD数据集上验证了方法的有效性。

在音乐流媒体平台时代，自动标记音乐音频受到关注。本研究探讨了解释性的重要性，构建了一个包含三种信息提取技术的工作流程，并训练了可解释的机器学习模型进行标签预测。实验结果显示，该方法在MTG-Jamendo和GTZAN数据集上表现优于基线模型，有时可与先进方法媲美。研究指出，在某些情况下，解释性比性能更重要。

该研究提出了一种通过自动标记生成真实LiDAR点云的三维场景流伪标签的方法，可以模拟自动驾驶场景中的潜在物体级刚体运动。该方法通过更新多个锚点框的不同运动属性，实现整个场景的刚体运动分解。在多个真实数据集上测试，该方法在无监督和有监督方法中表现出色，无需手动标记。在LiDAR KITTI数据集上，该方法将EPE3D度量值减少了10倍，从0.190m降至0.008m。