本研究采用时间分辨脑成像和深度学习的方法，探究人脑视觉处理的层次动态及信息流向，结果表明，回归深度神经网络模型比参数匹配前馈模型更能准确捕捉人脑视觉处理的多区域功能
Mar, 2019
通过单例学习和分层绑定等方式，预测处理系统可灵活地在新情景中广泛推广，并使用感知价值预测来实施多个生存和复制策略，且这种系统所感知的 “有意识的体验” 是其自身功能的感知表示，从而解决了 “意识元问题”
Jan, 2023
该研究建立了一种迭代编码器 - 解码器网络模型，利用重构上的反馈机制来加强前馈目标识别过程的重要信息，有效应对常见的图像扰动；研究还发现，该网络模型在对象识别方面，空间与特征化的注意力是相辅相成的，并可以解释人类的知觉误差。
Sep, 2022
对于快速动物 vs 非动物分类任务，我们对不同阶段处理的视觉表示进行了分析，并发现人类的决策最符合中间阶段的预测结果。结果表明，人类可能依靠中等复杂度的视觉特征进行快速分类，并且现代深度网络模型所提供的视觉表示的复杂度可能超出人类在这种任务中使用的复杂度。
Jun, 2016
本论文研究了基于图像的人工智能处理中一些实际问题，如图像数据的收集与标注、图像分类以及所涉及的数据处理方法等，提出了一种基于 Gradient Boosted Trees 与随机森林相结合的解决方法，并且实验结果表明该方法对于图像识别和图像分类问题具有较高的解决效果。
Aug, 2020
本文提出了一种无需牺牲模型容量和设计复杂度，实现递归处理步骤恒定内存复杂度的学习算法 C-RBP，该算法使递归视觉模型能够探测到长距离的空间依赖关系，并在 MSCOCO 的大规模全景分割挑战中具有比主流前向方法更好的效果。
May, 2020
论文提出了一个计算模型，用于模拟人类在场景中识别元素并进行详细解释的能力。该模型指出，目前的视觉识别模型存在着基本缺陷，即过分依赖前馈模型，不能进行充分有效的自上而下处理。该模型对于人类视觉解释和计算视觉模型有重要的启示意义。
Oct, 2021
通过引入前馈卷积神经网络与反馈式局部循环连接设计，提高图像识别准确性，更加贴近灵长类动物视觉系统的神经活动，为当代物体识别任务的研究提供了新的思路。
Jun, 2018
本文探究面部完整性对面部识别的影响，提出了一种基于卷积算子和门控机制的面部完整性编码器 - 解码器，并对真实的遮挡情况进行了分析和实验验证，证明了面部完整性可以部分恢复面部信息从而提高机器视觉系统的面部识别准确率。
Jun, 2019
提出了一个 3D 形状感知的框架，它在分析综合或图像形成的生成模型中解释了典型和非典型情况下的感知，分析和计算研究表明这种方法最符合人类观察者的准确性和响应时间，在困难判别方面与人类表现相关性显著，并提示深度神经网络等机器视觉系统如何实现更具有人类特色的稳健性。