图像是人类获取信息的重要途径,基于深度神经网络的自动化图像理解算法取得了飞速发展,并且在智能监控、自动驾驶、智慧医疗等领域发挥了重要作用。然而基于深度学习的图像模型通常需要大量、高质量的标注数据进行强监督训练,这在实际场景中难以满足。在数量的角度上,在某些领域收集以及标注大量数据成本较高,比如珍稀动植物数据的收集、医疗图像数据的标注等。在质量的角度上,标注数据的分布不均、标注错误已经训练和测试场景不一致导致的数据域差异都会影响模型的优化。典型的有监督图像理解模型在面对数据受限场景时会出现收敛速度慢且精度不佳、训练机制不匹配、泛化能力差等问题。提高图像理解模型在数据受限时的性能是学术界和工业界共同关注的问题。针对该问题,本文立足数据受限的场景,从减少对高质量标注数据的依赖出发,结合数据分布不均、数据量少、当前任务没有标注数据和没有任何标注数据等场景,探讨低标注模式下的图像理解方法研究。本文主要包含的研究内容和创新点包括:1.针对标注数据分布不均的场景,本文提出了一个通用的基于训练数据和当前任务的样本加权范式:样本的训练权重是由其分类和定位的不确定性决定的。本文提出的方法自动从分类和定位任务中学习样本权重,因此减少了手工设计加权规则的代价。本文提出的方法可以应用到任意基于区域的目标检测模型上,具有良好的扩展能力。本文提出的方法在两个目标检测数据集上取得了显著的准确率提升,并且没有增加推理的时间成本。2.针对标注数据较少的场景,本文提出一种基于融合上下文信息的图像识别算法。该算法主要创新点是在目前通用的卷积神经网络中引入记忆模块,并提出通过预测卷积神经网络参数的方式融合上下文信息。记忆模块用于融合整个训练集的信息,并保持类间的差异性和同类样本内的多样性。记忆模块中的信息用于增强训练集中每个样本的特征,从而得到更具有区分力的特征。此外本文提出了动态类别数和样本数的训练策略,在两个小样本图像识别评测基准上相比基准模型有明显的准确率提升,并且取得了更好的泛化性。3.针对当前任务没有任何标注数据的场景,本文提出一种基于平均教师模型的跨域学习算法。针对目标检测任务中图像的复杂性和样本的多样性,本文提出了再区域级别约束教师模型和学生模型输出结果的一致性。同时在对图内的检测目标进行关系建模的基础上,提出了关系图间一致性约束和关系图内一致性约束实现多层次的一致性约束。在不同天气状况下和虚拟图像到真实图像的域迁移任务上取得了更高的模型准确率。4.针对没有标注数据的场景,本文提出一种基于联合对比学习的新范式用于从无标注图像中学习特征表达。本文提出的方法通过最小化正样本对之间的距离并且最大化负样本对之间的距离优化网络参数。为了将多个正样本对之间的关系引入模型优化中,本文提出同时优化多个正样本对之间的距离,并进一步得到优化无穷多个正样本对的损失函数。在包括图像分类、检测、分割、关键点识别等任务上,本文提出的方法取得了明显准确率提升,并且接近全监督场景下的准确率。整体而言,本文的从标注数据量逐渐减小的角度展开。本文从标注数据量充足但存在分布不均等质量问题的场景出发,进一步研究当前任务训练数据较少、当前任务没有训练数据和没有任何训练数据的场景。从研究方法的角度出发,本文针对数据分布不均和数据较少的场景,采用挖掘样本间关系,提高有效样本的相对权重以及增强图像特征表达的方向展开研究。针对没有当前任务数据和没有任何标注数据的场景,本文从提高模型对输入扰动的鲁棒性出发,提高模型在不同数据域以及不同任务上的泛化能力。