视角流型学习在新物体相似度感知中的转移
本文旨在研究和描述深度学习模型对于目标在不同旋转角度下的 2D 图像是否能够进行准确分类，探讨了三种通用的模型 (3D 通用、纯 2D 匹配和基于视角线性组合匹配) 在模型泛化性方面的表现，其中可以发现深度模型泛化能力强，但是其实现方式与这些现有模型不同。
Apr, 2023
研究了深度卷积神经网络在视角变化下物体识别任务中的表现，发现在视角变化较小时，浅层网络可以优于深层网络和人类表现。但是，当面临较大的视角变化时，需要更深的层次来匹配人类表现。最深的 18 层卷积神经网络在最高变化水平下优于人类表现，使用了最类人的表征。
Aug, 2015
本研究提出了 Distance Learner 方法，利用 “流形假设” 作为先验知识，对于 DNN-based 分类器进行训练，结果表明 Distance Learner 相比标准分类器学习到更有意义的分类边界，并且在对抗鲁棒性任务中表现出色。
Jul, 2022
利用先验知识辅助探索图像类别的一种方法是采用对弱二元成对约束的对比损失进行学习，从其他领域的数据集中学习转移相似函数，这种新颖的端到端网络将未标记的图像映射到不同的类别上，模拟一种简单的知识转移。实验证明该网络在多个大规模数据集上能够显著提高聚类效果。
Dec, 2016
使用深度神经网络进行物体分类，可以占人类相似性判断的重要部分，但不能捕捉到人类表现中的一些关键性质。我们开发了一种方法，将深层特征与人类相似性判断对齐，以获取可用于扩展心理实验范围的图像表示。
Aug, 2016
基于深度卷积神经网络的物体检测系统在许多大规模物体检测基准测试中取得了显着成就，然而，这需要大量的标注边界框来进行训练。本文通过将图像级别分类器转化为物体检测器解决了此问题，并利用来自视觉和语义领域的物体相似性知识，在将分类器转换为没有边界框注释的类别时转移此信息。实验结果表明，我们提出的基于物体相似性的知识转移方法在半监督设置下实现了最先进的检测性能。
Jan, 2018
经过深度神经网络的训练和微调，预训练的变换器可以学习到具有几乎完美准确度的在分布之外的同异关系，尤其针对缺乏纹理或颜色的抽象形状训练的模型表现最佳。
Oct, 2023
本文提出了一种利用局部相似性的弱估计，通过单个最优化问题提取具有一致性关系的样本批次，将视觉相似性学习作为分类任务的序列，并使 CNN 巩固群体内和群组间的传递性关系，学习所有样本的单个表示。
Feb, 2018
通过局部可靠相似度的估计，不需要监督信号，将样本分组成紧凑的代理类，利用样本到类的局部偏序将类与类连接起来，将相似性学习形式化为局部排序任务，并采取自我监督策略，在 CNN 中训练样本以一致的方式表示，同时更新类。该无监督方法在详细姿态估计和对象分类上表现出有竞争力的性能。
Apr, 2017