本文提出了一个基于卷积神经网络的局部特征编码和基于词袋模型的实例检索方法，该方法将每个卷积层中的局部激活函数数组映射到可视化词汇中，从而实现了空间重新排序和检索的目的，并在 Oxford 和 Paris buildings benchmarks 中取得了具有竞争力的性能表现。

Apr, 2016

本研究旨在从视觉单词（BoVW）中重建原始图像，提出了一种含自然性本地邻近性及全局位置的评估函数，并通过使用外部图像数据库获取相关参数的方法来估计原始布局，以达到成功重建 BoVW 的目的，并产生了 101 种不同物体的图像和新颖的 BoVW 图像。

May, 2015

本研究对 Bag of Visual Words 模型（BoVW）中的五个步骤以及特征融合方法做了全面的研究，探讨了不同的局部特征提取和编码对行为识别的影响，并且基于不同 BoVW 框架和本地描述符的互补性，提出了一个简单而有效的表示方法，被称为混合表示，用于进行行为识别，使得识别率达到了 state-of-the-art。

May, 2014

该论文提出了一种耦合多索引 (c-MI) 框架，借助局部颜色特征融合 SIFT 特征，增强了图像检索的准确性和召回率。实验证明 c-MI 基于 Bag-of-Words 的图像检索方法，可显著提高检索精度，且比基线方法运行更快且兼容先前技术。

Feb, 2014

本文提出了一种基于深度卷积神经网络的端到端 BoWs 模型 (E$^2$BoWs)，并介绍了一种新的学习算法来增强生成的 E$^2$BoWs 模型的稀疏性，以进一步确保时间和内存效率。在多个图像搜索数据集上的实验结果表明，与最近的基于深度学习的检索方法相比，我们的模型在准确性和效率上都取得了很好的表现。

Sep, 2017

本文提出了一种基于模糊词袋 (FBoW) 表示的文本相似度计算方法，通过使用词向量相似度进行加权处理，动态提取和最大池化好的特征，它是一种完全无监督和非参数化的相似度计算方法，不但比当前基线方法优秀，而且在标准 STS 基准测试中，与直接优化余弦相似度的监督式词向量训练相竞争。

Apr, 2019

通过提出核心技术 —— 连续矩阵空间模型的学习算法 ——CMOW，结合 CBOW（连续词袋模型）和 CMOW 的优点，实现更好地标注文本信息，具有广泛的应用前景。

Feb, 2019

提出了一种基于内容的图像检索方法，通过构建视觉层次结构来捕捉视觉和语义的相似性，将其融合到相似度搜索的距离计算度量中，实验证明该方法在图像检索方面具有优越性能。

Aug, 2023

该论文提出了一种基于卷积神经网络的图像检索方法，采用三元组损失函数和表面重投影技术，获得了丰富的训练数据和有效的表征。该方法可用于 3D 重建中匹配图像检索问题，优于当前主流方法，显著加速了图像检索过程。

Nov, 2018

本文提出了一种无监督基于质心的文档级重构框架，利用分布式词袋模型来选择摘要句以最小化摘要和文档之间的重构误差，并应用句子选择和波束搜索来进一步提高模型性能。针对两个不同的数据集实验结果表明，与现有基线相比，我们的模型表现出显著的性能提升。

Oct, 2017