本文提出了一种新的基于图形结构匹配网络的图像 - 文本匹配方法，可以有效地解决对象、关系和属性的细粒度对应问题。实验结果表明，该方法在 Flickr30K 和 MSCOCO 数据集上相较于其他方法拥有高达近 7% 和 2% 的召回率提升。

Apr, 2020

本文提出了一种基于 Semantic-aware Graph Matching 的多标签图像识别框架（ML-SGM），通过建模内容感知（instance）和语义感知（label）之间的关系，显式建立分类之间的相关性和实例 - 标签对应关系，以促进多标签图像理解，并减少对每个类别的大量训练样本的依赖。备考外流考试，了解更多。

Apr, 2023

本研究提出了一种基于转换器的新型语义约束匹配网络（SCMN），通过匹配从成对图像中提取的粗糙类激活图（CAMs），从而隐式引导和校准转换器网络以缓解发散激活问题，在 CUB-200-2011 和 ILSVRC 数据集上进行的大量实验结果显示，我们的方法可以达到最新的最优性能，并且在性能上超过之前方法很大幅度。

Sep, 2023

本文提出了 Memory Matching Networks（MM-Net）的新想法，即在卷积神经网络中加入记忆元素，并学习动态地适应无标签图像的参数，从而实现一次学习。文章探讨了不同的训练数据集的匹配方法，并得出了超越同类算法的实验结果。

Apr, 2018

本文提出了一种新的框架，通过在目标级别和部分级别上结合技术对场景中物体中多个实例和多个部分进行语义分割，其中包括类别条件模块和基于邻接图的模块来解决不同级别的歧义问题。在 Pascal-Part 数据集上的实验证明了该框架的有效性。

Jul, 2020

本文提出了一种半监督学习框架，为无标签图像对增加循环一致性限制，在监督丢失和无监督训练中实现了最先进的语义匹配性能。

Jan, 2019

本文提出了两个关键性贡献：首先是演示了图神经网络如何训练并嵌入向量空间，以便有效地进行相似性推理；其次是提出了一种新的图匹配网络模型，通过新的跨图注意力匹配机制，在一对图之间共同推理，计算它们之间的相似度得分。在不同领域的实验分析表明，本文提出的模型不仅能够在相似性学习的上下文中利用结构，而且能够优于针对此类问题精心设计的基线系统。

Apr, 2019

本研究提出一种无监督方法，利用深度几何特征和功能对应关系，同时学习复杂解剖学中的局部和全局形状结构，从而显著改善统计形状模型的无监督对应估计，并且精度高于基线方法，甚至在高度不规则的表面拓扑上也适用。

Apr, 2023

本文提出了 SCNet，一种基于卷积神经网络的语义对应的几何合理模型，利用区域提议实现匹配原语，并明确将几何一致性纳入其损失函数中，该方法在多项基准测试中均表现优异。

May, 2017

通过分析解剖结构的形态来研究生理学，统计形态建模是一种用于定量解析解剖结构形态差异的工具。然而，传统的形态建模方法复杂耗时，线性假设限制了模型的应用范围。最新的深度学习技术能够直接从未分割的医学影像中推断统计形态模型，简化了流程并提升了可用性。然而，现有的图像建模方法在数据质量较差或仅有稀疏信息的情况下不足够有效。因此，我们提出了 SPI-CorrNet，一种从稀疏影像数据中预测三维对应关系的统一模型。通过引入教师网络进行特征学习和适应输入方差预测来量化数据相关的不确定性。实验结果表明，我们的技术提高了稀疏图像驱动的统计形态建模的准确性和稳健性。

Jul, 2024