本研究提出了一种使用深度卷积神经网络的恒星 - 星系分类框架，可直接基于像素值进行学习，避免了人工特征工程需求，并且能在 SDSS 和 CFHTLenS 数据集上取得与传统机器学习技术相竞争的准确和可靠的概率分类结果。

Aug, 2016

本文提出了一种自动检测和分类星系的方法，并使用新型数据增强程序来使训练模型更加健壮，以适应来自不同仪器和对比度拉伸函数的数据。该方法是 AstroCV 的一部分， AstroCV 是一个开源的计算机视觉库，用于处理和分析大型天文数据集，包括高性能的 Python 和 C++ 算法，它利用卷积神经网络和深度学习技术训练模型，提供的结果优于基于手动特征工程和 SVM 的方法。

Sep, 2018

本篇研究使用深度学习技术对多波段天文图像中的光源进行检测、分类和去混叠处理，构建一个基于 Mask R-CNN 图像处理框架的人工神经网络，并在星系和星星分类的模拟数据下进行了评估，其精度在 92% 的情况下回收率为 80% 的星星数据和 98% 的情况下回收率为 80% 的星系数据。研究还证明，其去混叠功能极为稳定，可用于 LSST 和 WFIRST 等深度图像调查项目。

Aug, 2019

使用神经网络和数据集精炼技术研究星系分类任务中的形态特征及其可视化，同时自适应匹配轨迹算法改进了计算机视觉性能。

Nov, 2023

该研究应用了深度迁移学习技术，利用卷积神经网络根据光谱图像准确地分类毛刺现象，对于长时间运作的先进激光干涉重力波探测器，此方法提供了一种动态分类毛刺现象的新框架。

Jun, 2017

本研究系统研究了将在 ImageNet 数据上训练的卷积神经网络 (CNN) 在超声图像肾脏检测问题上进行转移学习的过程，并表明通过转移学习可以获得更好的性能。

Apr, 2017

本研究评估比较不同的训练神经网络技术，提出为小型数据集提高模型准确度的方法，并发现迁移学习对于重复利用以前学习的特征有重要作用，特别是在医学图像应用中。

Dec, 2019

研究表明，知识转移对于深度学习 -- 图像分类任务中自动黑色素瘤筛查等任务的表现具有重要影响。而对于医学任务，深度学习对训练数据的渴求提出了挑战，通过从不同任务训练的模型中回收知识的转移学习策略可以缓解此类问题，然而这方面的系统性评估目前尚缺失，因此本文调查了转移的存在性、转移来源的任务以及深度模型的 fine-tuning 并测试了深度不同的模型性能，结果表明使用 fine-tuning 的 ImageNet 上预训练的深层模型可达到较好的性能，为两个皮肤病分类数据集实现了 80.7% 和 84.5% 的 AUC 值。

Mar, 2017

本文提出了使用混合变压器卷积结构及选择数据增强和正则化技术的方法学习更少量的数据以从现代天文调查中提取物理信息，此方法在 Galaxy10 DECals 数据集上取得了 94.86% 的精度，在 CIFAR-100 和 Tiny ImageNet 上也实现了新的最佳效果。

Apr, 2023

该论文主要探讨了如何在医学成像领域中运用深度卷积神经网络实现计算机辅助检测。作者对不同的卷积神经网络结构进行了评估，并考虑了数据集规模和图像空间背景对性能的影响。文章还阐述了将 ImageNet 预训练模型迁移到医学成像问题中的有效性，并通过两个计算机辅助检测问题的实验展示了更好的性能。

Feb, 2016