通过研究一种新型的可重构部件玩具模型 ——And-Or 图模型，在图像中识别物体形状。我们提出了一种新颖的结构优化算法来训练 And-Or 模型。在多个具有挑战性的数据集上，我们的模型表现出有效鲁棒的对象检测性能，并超越了其他最先进方法。

Feb, 2015

本文提出了一种学习分层物体形状模型的简单而有效的方法，该模型通过局部轮廓片段形成 And-Or 树，可以捕捉外观上的形状变化，并利用嵌入式结构聚类拓展凸凹过程（CCCP）优化 And-Or 树的学习过程。该方法能够准确定位局部轮廓，并捕捉类内差异。

Feb, 2015

本文提出一种可重构模型，用于识别和检测外观差异较大的多类（或多视）物体，该模型采用 And-Or 图结构，具备分层建模、结构可变性处理等先进能力，并提出了一种 EM 类型算法，在 PASCAL VOC 2007 和 UIUC-People 数据库等复杂环境中实现了最新的性能表现。

Feb, 2015

本文提出了一种基于 And-Or 模型的学习方法，用于表示汽车检测和视点估计中的上下文和遮挡，并且是一种弱监督的学习方法。通过三个层次来表示汽车之间的上下文和遮挡配置，并且采用动态规划算法进行推理。该方法在四个汽车检测数据集和三个汽车视点估计数据集上与现有的方法相比，均获得了显著的改善结果。

Jan, 2015

本文介绍了一种名为 AOGTracker 的方法，用于在视频序列中同时跟踪，学习和解析（TLP）未知对象，使用分层和组合的 And-Or 图（AOG）表示方法。通过在线学习，使用潜在 SVM 来磨练 AOg 并解决背景中的干扰问题。通过实验表明，与现有算法相比，AOGTracker 具有更高的准确性和可靠性。

Sep, 2015

提出了一种基于图论的方法，用于在由部分组成的分层组合架构中表示对象形状，通过统计模型和最小描述长度原则，在受限制的形状单词表达中学习形状的描述，并将内部数据表示与发现的子结构压缩来构建部分组成。在六个基准二维形状图像数据集上验证了该方法。实验证明，Compositional Hierarchy of Parts（CHOP）可以使用部分共享和索引机制快速推断出形状组成，并提供比现有技术更好的形状检索性能。

Jan, 2015

本文提出了使用长短时记忆网络和知识与或图来解决语义任务规划问题，通过训练辅助 LSTM 网络，可以产生很多有效的样本，进而提高模型的训练效果，实验证明该方法对于解决日常任务规划问题有很好的效果。

Aug, 2018

本文提出了一种层次组合的 AND-OR 模型，用于解释性图像合成，通过使生成器网络稀疏化来实现。

Sep, 2019

基于语法组合模型的行为检测方法可以有效地分析视频中的人类行动，提高模型的解释性和优化效果。

Oct, 2023

该研究提出了一种从预先训练的卷积神经网络中提取对象 - 部分概念的学习策略，通过挖掘预先训练的 CNN 中的潜在模式，并将它们与不同的语义部分关联来逐步在 CNN 上构建一个具有语义解释性的图形模型，以实现层次化的对象理解。

Nov, 2016