面向计算机视觉中的少标注学习：在图像分类与目标检测任务中的应用

在本论文中，我们为有限标签的机器学习，更具体地说为计算机视觉中图像分类与目标检测任务，开发了理论、算法与实验贡献。在第一项贡献中，我们致力于缩小少样本分类中流行元学习算法的理论与实践差距。我们将其与具有坚实理论基础的多任务表示学习相联系，以验证更高效元学习的最佳条件。随后，为在基于 Transformer 架构训练目标检测器时利用无标签数据，我们在另外两项独立贡献中提出了一种无监督预训练方法和一种半监督学习方法。对于预训练，我们通过引入定位信息改进了面向目标检测器的对比学习。最后，我们的半监督方法是首个专为基于 transformer 的检测器定制的。