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

本文介绍了一种新的基于判别式局部模型的 And-Or 图方法来表示和识别目标形状，该方法克服了困难的背景环境和大量的形态变化，并且不需要太多的监督和初始化。

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

本文介绍了一种基于层次化视觉数据结构的图像分类方法，该方法利用层次聚类创建了可变长度的视觉树，从而更准确地进行分类。该方法在 ILSVRC2010 和 Caltech 256 基准数据集上获得了显著更好的分类准确率。

Sep, 2017

通过递归组合简单的轮廓片段，并结合简单的形状组合和逐层学习和逐渐增加分析窗口的大小，可以学习出一种用于表示多种物体类别的层次化组合形状词汇，并在更快的推理以及更短的训练时间内实现了最先进的检测性能。

Aug, 2014

学习异质图的节点级表示对于欺诈者检测和蛋白质功能预测等各种应用至关重要。为了解决传统节点表示无法捕捉高阶图结构的问题，我们提出了一种新颖的多视图对比学习方法，通过在图上集成扩散滤波器，捕捉异质图中的结构等价性，发现传统节点表示中隐含的关系和相似性。我们的方法在合成和真实结构数据集上优于基准方法，在 Cornell 上比最佳基准方法提高了 16.06%，在 Texas 上提高了 3.27%，在 Wisconsin 上提高了 8.04%。此外，我们的方法在近邻任务上始终表现出卓越的性能，证明了其在揭示结构信息和改进下游应用方面的有效性。

Aug, 2023

StructureNet 是一种基于层次图网络的生成模型，可以对以各种方式变形、修改的 3D 形状进行编码。它可以用于生成大量逼真的结构形状几何，也可以通过从未标记的图像、点云或部分扫描中直接发现形状结构，同时还能够用于形状生成、插值和编辑。

Aug, 2019

本文提出一种通过自我监督来显式地建模物体结构的方法，使物体识别的主干网络在不需要额外注释和推理速度成本的情况下大幅度提高鲁棒性并实现更好的表示学习。实验结果表明，该方法在多项基准测试（包括 ImageNet、CUB、Cars 和 Aircraft）上均取得了显著的性能提升。

Mar, 2020

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