该研究旨在使用独特部分的表征方法对图像进行分类，通过对选定部分的回溯分析表明，除了类别部分以外，来自背景上下文和其他图像类别的部分也可以提高分类性能。为了实现部分在所有类别之间的共享和优化，提出了一种基于 AdaBoost 的算法来共同优化部分共享、选择以及与全局图像表征的融合。实验表明该方法具有与深度卷积神经网络相媲美的分类效果。

Oct, 2015

本文提出了一种自我监督的方法（LPD）来发现只有 2D 图像的物体的三维部件，并使用新的部件形状先验学习足够简单而又能忠实地匹配物体形状的部件，这种方法在实验中表现良好，比现有方法具有更好的重构精度。

Jul, 2021

通过创新的正则化方法，本研究指出基于部件的表征可以通过两种方法变得更易解释且泛化能力更强，其中第一种方法通过唯一的部分混合形式将前景和背景信息的生成过程分开，通过弱监督损失对部分施加结构约束，保证前景和背景的部分混合具有软性、与对象无关的掩码。第二个正则化方法则采用蒸馏损失的形式，确保学到的部分对于背景的偶发相关性具有不变性。通过减少偶发背景相关性对学习到的部分的影响，我们在 MiniImagenet、TieriImageNet 和 FC100 等基准数据集上展示出了最先进的少样本学习任务性能，并且还证明了通过我们的方法获得的基于部件的表征在 ImageNet-9 数据集上即使在背景领域转移和常见数据损坏下也能更好地泛化。

Sep, 2023

本文介绍结合人类先验知识和端到端学习以提高深度神经网络的鲁棒性，并引入了一种面向目标分类的基于部件的模型，相较于基准模型 ResNet-50，我们的基于部件的模型在三种数据集上实验表明都具有更高的准确性和更高的适应性。

Sep, 2022

本研究提出一种基于结构风险最小化的深度表示学习方法，同时考虑了经验分类风险和表示学习风险，使用自动生成的图像部分计算人的分类损失，可以更好地聚焦于整个人体，学习出不同部分的区别性表示。三个数据集上的实验证明了该方法的有效性。

Jul, 2017

本文介绍了一种基于元学习的方法，通过学习无标签图像的传递特征来进行 few-shot 学习，同时采用了基于部分的自监督表示学习和部分增强策略来缓解数据稀缺引起的过度拟合问题，并在 miniImageNet 和 tieredImageNet 的基准测试中表现出优异的性能。

May, 2021

该研究提出了一种弱监督的部件检测网络（PartNet），能够检测出细粒度分类所使用的具有辨别力的局部部分，在 CUB-200-2011 和 Oxford Flower 102 数据集上实现了最新的最高性能。

Jun, 2018

本文提出了一种利用无类别部件分割来减少标注难度并能适用于未知目标的部件分割方法，并通过对象感知性和自监督学习的方式对此进行了改进。

May, 2023

本文提出利用无监督学习的方法发现物体的不同部位，通过神经网络构建特征并实现物体识别和部位检测。

Dec, 2020

本研究提出了一种非监督学习方法来发现和分割物体部分，通过像素级别的图像重建配合先前任务的代理目标，得到了一种更有意义的部分分解方法，优于现有的三个基准数据集，提供了一种一致的、可视化的物体语义部分表示。

Nov, 2021