本文介绍了一种基于计算机视觉的算法，利用多样性特征融合和区域投票技术可以准确地搜索和定位艺术品中指定的图案或物体，有效地解决了大规模数字化艺术品数据集的图像检索问题。

Jul, 2021

本文研究了如何提取适当的视觉特征，找到学习这些特征的最佳方法，进而学习绘画之间的相似度，探讨了构建多媒体系统来存档和检索艺术品数字化收藏的相关问题，并提出用于美学上的语义层预测，如预测绘画风格，流派和艺术家，实验结果表明该相似度测量方法适用于上述预测任务。

May, 2015

本研究提出了一种多图像匹配方法以估计多个图像之间的语义对应关系，并且利用稀疏可靠特征匹配而非优化所有成对对应关系，同时还提出低秩约束来确保整个图像集上的特征一致性。该方法在多图匹配和语义流基准测试中表现优异，同时在不使用任何注释的情况下对重建对象类模型和发现对象类地标具有适用性。

Nov, 2017

本文提出了一种自动识别目标类别特有的视觉模式的方法，将其作为无监督目标检测的有益配置，从而实现更好的检测结果。

Jun, 2014

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 C​NN 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

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

提出了一种自我监督的方法，基于视觉实体在空间和时间中的共现率进行分组，这种方法在图像，视频和图像集合中可以学习到实体间的关联规律，从中生成物体提议、电影场景分割和语义位置类别。

Nov, 2015

本文介绍了自监督学习在减少人工标注数据用于训练深度神经网络方面的应用，并指出了该方法对于几何定向任务，如语义匹配和部件检测的可扩展性，同时展示了自监督预训练网络在学习语义对象部件方面相较于其它预训练选项所需较少的监督，并且这种预训练对于语义对象匹配非常优秀。

Apr, 2018

本文提出利用无监督学习的方法发现物体的不同部位，通过神经网络构建特征并实现物体识别和部位检测。

Dec, 2020

本论文提出了一个新的用于历史水印识别的大规模公共数据集，并展示了应用现代深度学习方法在跨域、细粒度的情形下所能取得的 55% 的准确率，同时在细粒度图像检索方面也取得了有希望的结果。

Aug, 2019