文中阐述了一种新的方法，将地理定位作为局部图像特征的聚类问题来解决，采用突出主要特征的聚类方式结合多种参考图像动态选择最近邻居，最终得出较优的定位结果。
Feb, 2017
本文提出基于约束聚类算法的深度两级分层聚类算法，通过将探测图像作为约束，实现对行人重识别的精确聚类和表征，实验表明该算法优于现有算法。
Apr, 2019
我们提出了一种使用图卷积网络计算最小支配集的新型基于学习的启发式方法，并在随机生成的图和现实世界图数据集的组合上进行了广泛实验评估。我们的结果表明，所提出的基于学习的方法可以优于经典贪婪逼近算法，并演示了图卷积网络在数据集中的泛化能力以及扩展到高于其训练的图的能力。最后，我们在迭代贪婪算法中利用所提出的基于学习的启发式算法，在计算支配集方面取得了最先进的表现。
Jun, 2023
本论文提出了一种基于多实例学习和切平面算法的图像数据集构建框架，可以有效应对数据集偏见问题，提高数据集的领域适应性，并通过广泛实验验证了该方法的有效性。
Nov, 2016
提出了一种使用符号域知识作为约束条件的新型可扩展端到端管道，用于学习神经网络以弱监督方式对未标记数据进行分类。该方法尤其适用于数据由不同组（类）组成且适合于聚类友好型表示学习的设置，并且可以通过同时考虑多个训练示例来重新制定领域约束以采用有效的数学优化技术。我们在 MNIST 图像分类问题的变体上进行了评估，其中训练示例由图像序列和表示序列中数字的总和组成，并且表明我们的方法比先前依赖于计算每个训练示例的所有约束满足组合的方法具有更大的可扩展性。
Jan, 2023
我们提出了准保拟共形交互分割（QIS）模型，该模型通过正负点击将用户输入融入分割过程，以准确地分割包含噪声或遮挡的图像，同时避免拓扑错误，并在合成、医学、自然和噪声自然图像上进行了有效性验证。
Feb, 2024
本文研究了基于度量交互势能的连续域图像标注问题的凸松弛问题，提出了两种不同的凸松弛方法并通过 Douglas-Rachford 迭代方案求解离散问题，结果在合成和实际图像上都表现出了优良性能，在非标准势能情况下，结合创新二值化技术能够恒定的恢复出图像标注的离散解。
Feb, 2011
本文提出一种基于不等式约束的 CNN 弱监督分割方法，通过引入可微分约束惩罚项，使训练过程中的非标注数据指导网络的学习，经实验证明该方法相比于先前研究的 Lagrangian 方法能够更加优化，并降低了训练过程的计算复杂度。
May, 2018
本文介绍了一种基于活动学习方法的独特自然语言处理方式，可以有效利用较少的标记数据点来培训神经网络，最终达到与标记数据点相同的分类准确率。通过找到局部聚类的占主导地位的集合，该方法可以选择训练的样本，具有更高的性能和灵活性，且不受数据集的影响。
Jan, 2022
该研究从信息论的角度研究了图像分割，并提出了一种新的敌对方法，通过将图像划分成最大独立集合来执行无监督分割，实验结果表明其在无监督分割质量方面达到了新的最优状态，并且比现有的方法更快、更通用。
Dec, 2020