本论文探讨利用模式挖掘技术与卷积神经网络在中级视觉元素发现中的应用，提出了两种生成图像特征表示的方法，并在场景和对象分类任务中展示了优异的性能。

Jun, 2015

本文介绍了一种新型的卷积神经网络 ——DeepPattern，用于对人类行为和属性进行细分，通过训练得到了一组具有辨别力的中层特征图像块，为行为分类和属性识别提供了一种新的解决方法。

Aug, 2016

本文研究了视觉模式挖掘的问题，并提出了一种名为 PatternNet 的新型深度神经网络结构，用于发现具有辨别性和代表性的模式。使用卷积神经网络中的卷积层滤波器来查找局部一致的可视化块，通过组合这些过滤器，我们可以有效地发现独特的视觉模式，从而提高了视觉识别的性能和效率。

Mar, 2017

本文提出了一种分层方法，旨在建模对象之间的视觉兼容性，通过在基础级别识别 CNN 激活模式以建模目标类别的各种变化 / 风格，并在高级别上发现定义对象类别对之间视觉兼容性的基础级别元素的共同激活模式。在巨大的 Amazon 数据集上的实验表明了我们的方法在描述对象类别和驱动它们之间兼容性的特征方面的能力。

Mar, 2016

本文提出了一种基于弱监督的学习方法，通过将图像视为一个包中的实例将其融入到深度神经网络中，将弱监督的多实例学习约束与深度神经网络集成在一起，并采用端到端的方式优化网络以实现对象分类和发现任务。在 PASCAL VOC 数据集上的测试表明，该方法在对象分类方面可以获得最先进的性能，并且在对象发现方面也具有很强的竞争力，并且测试速度比竞争者更快。

May, 2017

本文旨在发现一组具有判别性的补丁，用作完全无监督的中级视觉表示，通过对图像补丁数据集进行无监督聚类和训练判别分类器来证明其有效性，进而能用于许多任务中代替视觉单词，并且在 MIT Indoor-67 数据集上展示了其在场景分类等任务中的最新性能。

May, 2012

本研究介绍了一个基于深度 CNN 特征和区域提议技术的新型 pipeline，旨在从场景图像中提取判别性的视觉对象和局部区域进行分类，经过无监督和弱监督学习从大量高质量的 patches 中筛选出代表特定类别的判别性 objects 和 parts，并为相似 objects 和 parts 聚类形成 meta objects，该方法在两个流行的场景基准数据集上展现了领先水平。

Oct, 2015

探索深度学习中的核心机制，通过识别给定实例的骨干，应用整数线性规划和模式挖掘的方法，优化性能、解释和可视化，并在相应数据集上进行实验验证。

Mar, 2024

通过在对象检测任务中添加中层表示，本文提出一种简单的方法，通过广泛的实验和消融分析，在 PASCAL VOC comp-3 检测挑战中取得了与当前最先进方法相媲美的效果，并利用中层表示，有效地改进了 HOG-based pipelines，同时探讨了本方法与基于 CNN 的方法之间的共通之处。

Apr, 2015

本文研究基于儿童视觉物体识别能力的发展轨迹和 Bar (2003) 的理论，提出一种深度卷积神经网络训练的优化策略，在基础级别物体分类的基础上训练亚目标级别分类，进而在小型数据集的迁移学习中取得了优秀的效果提升，证明本方法的可行性和有效性。

Nov, 2015