本文提出了一种端到端的无监督属性学习方法，利用在线文本语料库自动发现与人类概念语义属性相关的显著且有区分度的词汇，并针对文本中的噪声和缺失数据，提出了一个深度卷积模型来优化课程 - 属性关联。 实验证明，该方法能够有效地在大规模数据集上发现和学习语义属性，并且在 ImageNet、Animals 较 Attributes 和 aPascal/aYahoo 三个数据集上优于现有技术的零样本学习效果。

Apr, 2017

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

本文提出了一种利用来自购物网站的弱标签化的图像文本数据进行自动空间感知概念发现的方法，通过将服装图像及其对应描述联合建模，并通过将词汇语义向量表示与卷积地图得出的空间表示相结合生成空间感知表示。我们进一步将空间感知表示用于属性聚类，以形成空间感知概念，最终将视觉语义嵌入空间分解为多种概念特定子空间，以利用多模态语言规律实现结构化浏览和属性反馈产品检索。我们在新收集的 Fashion200K 数据集上进行了大量实验，聚类质量评估和属性反馈产品检索任务的结果证明了我们自动发现的空间感知概念的有效性。

Aug, 2017

提出了一种基于深度卷积神经网络的多任务自动照片美学评估方法，在预测总体美学评分的同时联合学习了八个美学属性，并通过梯度反向传播可视化方法，展示了学习到的模型所代表的属性的重要图像区域。

Jul, 2017

通过 79 个实验和 7,810 个实验参与者的数据研究，揭示了同人类视觉选择性估计有显著重叠的被动关注技术，指出使用引导反向传播方法探测相对简单的神经网络架构产生的输入可视化是预测共享成分的最佳选择，这些结果帮助我们通过比较不同模型在图像信息选择性方面的相似性和差异性来评估领先的神经网络模型作为人类视觉模型的生物学和心理学的有效性。

Jul, 2021

本文提出了使用 AVA 数据库，自动发现和学习视觉属性来实现美学质量预测、图像标记和检索的目的。

Dec, 2014

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

该论文提出了一种基于深度神经网络的相对属性预测方法，其中采用卷积神经网络 (ConvNet) 学习特征，包含排名层 (rank layer) 学习根据这些特征对图像进行排序，并采用适当的排名损失进行训练，优于基线和最先进的方法，适用于不同类型的数据集。

Dec, 2015

本研究提出一种用于预测对象视觉属性的大规模数据集，通过多标签分类解决对象属性预测问题，并采用多种技术来解决大量属性、标签稀疏性、数据不平衡和对象遮挡等问题，其中包括使用低级和高级 CNN 特征、多跳关注、重新加权和重新抽样技术、负标签扩展和监督属性感知对比学习算法，并取得了超过现有技术水平的 3.7 mAP 和 5.7 F1 值的改进。

Jun, 2021