本文提出了一种基于模式挖掘的中层视觉元素发现方法，利用卷积神经网络的全连接层的神经元激活进行模式挖掘，从而实现图像分类任务中的中层视觉元素的自动发现。经实验证明，该方法在中层视觉元素发现任务上表现优异，在目标分类任务上也能够取得良好的性能。
Nov, 2014
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
该研究旨在探讨深度卷积神经网络中的各个特征的辨别力以及应用它们进行知识表示和推理的可能性，并通过统计学方法提供了新的见解和阈值方法来减少特征中的噪声。
本文考虑利用中层卷积网络特征进行面部属性预测，与经过微调的高层抽象相比，中层深度表示的预测准确性更高，可同时实现面部识别和属性预测的单一深度网络。
Feb, 2016
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
本文着眼于深度神经网络内部表示的研究，并使用聚类算法提取了一组视觉概念，展示了这些概念可以用于语义部分检测的无监督方法，并将这些视觉概念组合成了一种简单的模式理论模型，名为 “构成投票”，相较于专门针对语义部分检测的支持向量机和深度网络，证明了这种方法的效果更好。
Nov, 2017
本文介绍一种新技术 cross-convolutional-layer pooling，并探讨卷积层激活的图像表示方式在使用中的优点和不足，通过应用于四个流行的视觉分类任务，证明该方法具有可比较或显著更好的性能，而造成的计算成本要低得多。