本文提出了一种名为 Deep Sparse Coding 的新的无监督特征学习框架，扩展了稀疏编码到多层体系结构，用于视觉对象识别任务，在不同层次的稀疏编码之间连接一种稀疏到密集的模块，结合卷积神经网络（CNN）可达到最先进的性能表现。

Dec, 2013

通过加入监督正则化项来扩展卷积稀疏编码模型并学习具有判别性的字典，从而实现更好的图像重建和更语义相关的字典元素。

Apr, 2018

本文提出了一种新的深度学习方法来处理基于视频的场景分类问题，使用 HDDM 模型，通过异构无监督预训练和 SCSP 来解决存储问题，并使用加权投票策略进行分类，实验结果表明该方法在所有数据集上都实现了卓越的性能。

Jul, 2018

通过提出一种新的多视角深度子空间聚类网络 (multi-view deep subspace clustering network, MvDSCN)，并借助多元深度自显式矩阵 (self-representation matrix) 来学习，该模型可用于探测互补信息以有助于提取内在的结构，并且优于其他的多特征、多模态学习模型。

Aug, 2019

在这篇论文中，我们提出了一种自动编码器架构（WLSC），其潜在表示通过二分图的拉普拉斯二次形式实现了隐式的、本地的谱聚类，生成了一组多样的人工感受野，与 V1 的灵长类动物数据具有相近的一致性，而且也展示了我们的正则化可以被解释为感受野对特定刺激类别的早期专门化，即我们为之后的皮质阶段引入了弱的聚类偏差，这是已知的功能性和空间分离（即拓扑）发生的地方。这些结果表明，在对 V1 及其之后的特征分离进行描述时，对感受野和放电率进行空间正则化至关重要。

Nov, 2023

本文提供了多视角特征学习的分析，显示隐藏变量编码变换通过在多个图像扭曲之间共享的特征空间中检测旋转角度，我们的分析有助于解释最近的实验结果，表明在视频上训练复杂的细胞模型时，特定于变换的特征会出现，同时还表明在学习变换表示的副产品之一是归一化特征。

Jun, 2012

本文提出了一种基于稀疏编码的 Fisher 向量编码策略 (SCFVC)，用于高维局部特征表示，通过使用 CNN 描述符与 SCFVC 方法，我们在多种基准测试数据集上都取得了最先进的表现。

Nov, 2014

本文介绍了一种用于对称正定（SPD）矩阵的稀疏编码和字典学习方法，该方法不仅可用于机器学习，还可用于计算机视觉等领域。我们通过使用两种不同的 Bregman 矩阵差异将 SPD 矩阵嵌入到 Hilbert 空间中，提出一种稀疏编码方法和在线迭代的字典学习方法。通过将该方法应用于图像区域的协方差矩阵，本文在包括人脸识别、动作识别、材料分类和纹理分类等各种分类任务上，实现了比现有算法更好的效果。

Aug, 2014

本文提出了基于稀疏正则化的稀疏谱聚类方法 (SSC)，并提出了基于凸放射包络的凸 SSC 模型，使其可以高效地使用交替方向乘法更新。最后，我们将 SSC 扩展到多视角信息下，提出了成对稀疏谱聚类 (PSSC)，并通过在多个真实数据集上进行实验对我们提出的方法进行了证明。

Nov, 2015

本文提出一种基于稀疏图形表示的判别分析方法，针对异构人脸识别场景下出现的纹理差异等问题，设计了自适应的稀疏图形表示方案，通过 Markov 网络生成自适应稀疏向量；并引入基于空间分块的判别分析方法以优化自适应稀疏向量，实验证明该方法在 6 个常用异构人脸数据集上达到了优异表现。

Jul, 2016