通过以 iCub 机器人为平台、透过人机互动方式获取数据、并提供真实数据的验证基准，我们呈现并分析了 iCub World 数据集。虽然在一个受限的环境（如机器人研究实验室）中实施，我们演示了如何通过该数据集挑战当前的识别系统。

Jun, 2013

本论文通过提供离线和在线测试，证明使用深度学习方法进行三维物体识别在开放式领域中更为适用，同时混合手工制作和深度学习方法可以提高分类精度。

Jun, 2023

提出一种基于深度学习架构的机器人知识动态更新方法，该方法可以在不重新训练整个系统的情况下检测和学习感知对象是否属于系统已知的类别集，并可通过手动标注或网络自动挖掘获得新的类别信息以扩展系统知识。

Jun, 2019

本文通过对自然图像数据集 CIFAR10 的人工识别实验，与最新的深度神经网络进行了公平的比较，揭示了当前人工智能目标识别与人类识别能力之间的差距，同时提出了一种可用于评估和改进未来神经网络的新型 CIFAR10 分级子集。

Nov, 2018

综述了基于多视图三维物体识别方法在三维分类和检索任务方面的最新进展，聚焦于基于深度学习和基于 Transformer 技术的方法，包括常用的三维数据集、相机配置和视角数量、视角选择策略、预训练卷积神经网络架构、融合策略以及在三维分类和检索任务上的识别性能，同时考察了多视图分类在计算机视觉应用中的各种情况，并凸显了关键发现和未来发展方向。

Apr, 2024

社交机器人使用视觉感知来理解用户和环境，本研究使用深度学习模型改进了社交机器人的视觉感知功能，并通过实验评估了该功能对用户交互性能和体验的影响。

Mar, 2024

本文提出了一种简单但有效的数据增强层，以缩小机器人视觉和常规图像分类之间的差距，并在三个不同的基准数据库实验中获得高达 7％的目标识别性能提升。

May, 2017

本文提出了一种基于深度学习的机器人物体分割方法，通过解决两个子问题：机械臂与物体与背景的分割和物体与机械臂的分割，实现了无需人工标注数据即可训练网络的自我识别能力，实验证明该方法优于现有最优的自适应手持物体分割算法，并通过测试数据表明使用包含手持物体的自动标注图像的训练集可以提高物体在环境中的分割性能。

Apr, 2019

本文比较了人类视觉系统和深度神经网络（DNN）在图像退化方面的泛化能力，发现人类视觉系统更加耐受于图像处理，而当信号变弱时，人类和 DNN 的分类误差模式逐渐分离，这表明在视觉识别方面，人类和 DNN 之间仍存在显著差异。

Jun, 2017

通过利用 “提议（proposals）” 方法生成行为区域的模型训练，能够在无约束视频中实现人的行为识别，无论是否存在摄像头运动；该方法在两个新的数据集中取得了超越最先进技术的性能，同时在异常行为检测场景中取得较高的成功率。

Jan, 2017