提出了一个端到端的深度卷积神经网络，可以同时定位和排序相对视觉属性，在仅使用弱监督成对图像比较的情况下进行学习。不同于之前的方法，我们的网络联合学习了特征、定位和排序。我们的定位模块发现属性最有信息量的图像区域，这个区域被排序模块用来学习属性的排序模型。我们的端到端框架也显著加速了处理速度，比之前的方法快得多。我们在各种相对属性数据集上展示了最先进的排序结果，我们的定位结果清楚地表明了我们的网络学习了有意义的图像块。

Aug, 2016

本文提出了一种针对弱监督学习场景下的视觉属性发现方法，并介绍了一种用于多属性预测的卷积神经网络训练过程 Deep-Carving，实验结果表明该方法在视觉属性预测精度上有较大提升。

Apr, 2015

本文提出了称为深层属性网络（DAN）的模型，可以输出图像的属性而不进行分类，在无约束的人脸验证和现实世界中的物体识别任务中使用 LFW 和 a-PASCAL 数据集对提出的模型的功效进行了评估，展示了基于属性的分类用于深度学习，通过展示与现有最先进结果相当的结果来演示了其潜力，一旦训练得当，DAN 快速且不需要计算可能不可靠和计算代价昂贵的低级特征。

Nov, 2012

为了解决人员重识别中因姿势变化、视角变化、摄像头参数不同等导致的人的视觉外观难以匹配的问题，提出了一个半监督属性学习框架，该框架由三个阶段组成，并使用深度卷积神经网络来预测不同数据集上的深层特征。使用简单的余弦距离作为度量，取得了出乎意料的好效果，在度量学习模块的帮助下，显著优于许多最近的工作。

May, 2016

本研究基于深度卷积神经网络，针对图像生成中的属性变换问题，在两个面部数据集上进行了有量有质的实验，并取得了较为有前途的结果。

Nov, 2015

通过使用多任务深度卷积神经网络 (MCNN)，共享所有属性的最低层，共享相关属性的更高层，并在 MCNN 上构建辅助网络以利用所有属性的分数来提高每个属性的最终分类，我们可以利用属性关系来提高属性分类器的准确性。我们在两个具有挑战性的公开数据集上展示了我们方法的有效性。

Apr, 2016

本研究旨在学习使用卷积神经网络，应用深度学习技术自动评估照片美学排名，基于深入剖析其有意义的摄影属性与图像内容信息来规范复杂的照片美学评分问题，通过新提出的采样策略，从多个人类评分者分配的美学得分次元数据集中提取信息，提高了算法的一致性与鲁棒性，实验表明，该模型可使美学排名更符合人类评分标准，并成功在现有 AVAdatabase 基准测试中实现了最先进的图像分类性能

Jun, 2016

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

此篇论文探讨了突出不同之处的新功能，使用相对属性特征预测视觉上最显著的差异，并在 UT-Zap50K 鞋和 LFW10 人脸数据集上进行了测试，证明了改进图像搜索和描述生成任务的性能。

Mar, 2018

该研究提出了一种新的深度学习框架，预测面部属性并将其作为软模态来提高面部识别性能，并且在预测属性和面部特征中融合以改进面部识别性能。实验结果表明，该模型在面部识别和属性预测性能方面都有很好的表现，特别是在身份面部属性预测方面。

Apr, 2018