这篇研究论文提出了一种基于弱监督条件相似性学习（WS-CSL）的新型评估准则，结合 Distance Induced Semantic Condition Verification Network (DiscoverNet) 用于图像语义比较，全面覆盖潜在语义以达到最先进的性能。

Apr, 2022

本文介绍了一种针对卷积神经网络模型中图像嵌入优化的方法，用于突出显示贡献最大的图像区域，可用于相似性学习领域的问题。我们还将该方法推广至使用不同池化策略的嵌入网络，并提供了一种支持查询图像中物体或子区域的图像相似性搜索的简单机制。

Jan, 2019

该研究提出了通过将图像映射到类别嵌入中以学习语义鉴别性特征的方法，从而提高图像检索结果的语义一致性。结果显示在 CIFAR-100，NABirds 和 ImageNet 上，学习到的图像嵌入大大提高了图像检索结果的语义一致性。

Sep, 2018

通过 Context Embedding Networks（CENs）模型学习从图像提取可解释的嵌入向量，同时能够建模 Crowd 计算中的工人偏差和视觉背景，实验表明相比于现有方法，该模型能够得出更可解释的嵌入向量。

Sep, 2017

本篇论文提出两种方法来量化 CNN 潜在空间中语义信息的相似度，以解决模型透明性问题。通过将这些方法应用于三种不同的目标检测器和两个数据集，我们的研究表明相似的语义概念是在所有 CNN 体系结构中学习的，且相似的概念出现在相似的相对层深度中，而与总层数无关。该研究成果有望实现 CNN 模型选择的知情和语义信息处理的理解。

Apr, 2023

提出一种联合学习多个相似性条件的表示及其贡献的潜变量的方法，能够有效地处理图片比较问题并兼顾泛化能力。

Aug, 2019

本文介绍了一种新的条件网络嵌入方法，使用贝叶斯方法进行实现，本方法可以在一些网络结构较为复杂的情况下提高嵌入方法的表现，适用于网络的链接预测、多标记分类等任务，并且不增加计算复杂度。

May, 2018

本文介绍了一种名为 SimNet 解决方案的深度连体网络，这个网络使用一种新颖的在线对挖掘策略进行了训练，同时创建了一个多尺度 CNN, 最终图像嵌入是顶层和底层嵌入的联合表示，表明这种多尺度连体网络比传统 CNN 更能捕捉细粒度的图像相似性。

Sep, 2017

本文提出了一种基于语义概念空间的单次学习方法，利用自动编码器网络将深度卷积神经网络中的多层视觉特征映射到语义向量，并在语义空间中搜索相关概念，在图像特征空间中生成复杂的增强特征分布以实现更好的一次学习性能。

Apr, 2018

利用神经网络进行相似性分析是一种理解和分类各个领域中复杂模式的强大技术。本研究探讨了完全卷积网络（FCNs）生成的潜在信息在相似性分析中的应用，特别是用于估计二维图片中对象的视觉相似度。这一分析方案包括两个步骤：（1）从经过训练的 FCN 中提取和转换每个二维对象的特征模式，（2）通过模糊推理来识别最相似的模式。通过考虑分析中潜在变量的重要性，可以进一步增强第二步，并提供有关使用基于神经网络的相似性分析有效地辨别数据模式的好处和挑战的宝贵见解。

Jul, 2023