利用深度特异性网络解析重叠生物的图像
本文提出了一种单次完整图像解析的方法，将语义分割和实例分割任务整合到一个流畅系统中，通过_DeeperLab_图像解析器实现，可以快速处理并用_PQ_和_PC_度量对_Mapillary Vistas_数据集的结果做出评估。
Feb, 2019
我们使用机器学习的原理开发了新的工具来解决物种复合体相关问题，通过将图像分类为已知种群或新类别，并使用深度神经网络成功进行物种分类和检测，以及应用这些方法于物种复合体和真实生物多样性的记录。
Nov, 2023
本文提出了一种基于深度架构的场景理解方法，通过一个卷积神经网络和一个递归神经网络分别提取图像特征和分层物体结构，结合基于描述性语句的弱监督训练，实现场景图像的自动解析，该方法在 PASCAL VOC 2012 数据集上表现出色。
Apr, 2016
提出一种基于深度神经网络的神经解剖学形态学的有监督学习方法，直接对原始点云进行操作，通过空间变换网络将数据映射到规范空间，并通过网络的端对端训练阶段学习最优表示，通过多个分支来学习多个结构的特征，应用于阿尔茨海默病和轻度认知障碍的预测和脑龄的回归，最后通过适应点云遮挡法来可视化预测解剖重要部位。
Jun, 2018
该论文讨论了通过实例级别的语义部件分割实现目标解析的方法。网络结构由分类级别分割模块以及可处理每个图像中不同数量人体检测结果的差分有条件随机场组成，网络通过单次前向传递输出实例级别部件和人体部分分割结果，同时能够实现有效的目标计数和分类级别部分分割。
Sep, 2017
本研究中，我们利用深度卷积神经网络架构在 2D 图像和 3D 空间中定位语义部件并推断它们的可见性状态，其利用合成数据和模拟的遮挡情况训练网络，并表明了其在现实图像基准测试中具有最先进的性能和有效的迁移知识。
Dec, 2016
该论文提出了一种适用于生物学图像的新型实例分割方法，利用正弦波来描述每个对象实例，并利用聚类在嵌入空间中恢复实例，该方法在多个生物学数据集上表现出色且计算效率高。
Apr, 2019
通过采用层次化合并方法和周期性学习率调度器，本研究在医学图像领域得到显著的性能提升，比模型组合方法在多个数据集上（如 HAM10000 和 CheXpert 数据集）提高了 6%，同时保持了低的计算成本。
Mar, 2024
本文提出了一种基于深度物体解析的细粒度 few-shot 识别方法，在该框架中，我们学习一组模板来解析物体，这些模板在所有实例和类别之间共享，并且在测试实例中使用活动模板和部件位置相对几何匹配的方式进行识别。我们表明该方法具有解释性并且与最先进的方法具有竞争力。
Jul, 2022