本文介绍了一种 Denser Feature Network 用于视觉定位，提出了一种新型的卷积神经网络，采用更密集的特征图来提高图像检索准确性和关键点特征的重复性，仅需要正负 GPS 标记图像对来训练模型。实验表明，该方法在四个具有挑战性的大规模定位基准测试和三个图像检索基准测试上都取得了优秀的表现。

Dec, 2020

本研究提出了一种新型的三层深度学习模型，通过引入一对多二元类别学习器，学习遗传算法优化的特征，并同时学习全局和局部上下文信息，从而优化整个模型以在图像分割方面取得有希望的结果。

Apr, 2022

本研究采用深度卷积神经网络来提取多尺度特征，实现了高质量的图像显著性模型，另外还结合了手工特征，取得了很好的效果，提供了一个相应的实验数据集。

Sep, 2016

该研究讨论了深度学习技术在联合声音信号分类和定位网络中的应用。通过引入特征聚合技术，研究结果表明将特征聚合应用于声音检测神经网络可以提高其性能，特别是在到达方向回归上。

Oct, 2023

本研究采用深层卷积神经网络处理复杂的图像应用场景，并使用无监督神经网络技术进行细节图像检索，该方法可以通过精细的图像特征聚合和维度降低来识别细节，而不需要过多标注信息。

Apr, 2016

本研究探讨了深度学习中中间层所提取的深层特征，并证明了这些特征的性能可能不佳，因为它们是通过最小化经验风险来学习的。针对当前任务与基准数据集的数据分布不同的情况，本研究提出了一种层次稳健优化方法来学习更通用的特征。该方法同时考虑了 example-level 与 concept-level 稳健性，并将问题公式化为带有 Wasserstein 模糊集约束的分布稳健优化问题。本文提出了一种高效的算法，并在标杆数据集上进行了实验，证明了稳健特征的有效性。

Nov, 2019

本文提出了一种名为 Deep Sparse Coding 的新的无监督特征学习框架，扩展了稀疏编码到多层体系结构，用于视觉对象识别任务，在不同层次的稀疏编码之间连接一种稀疏到密集的模块，结合卷积神经网络（CNN）可达到最先进的性能表现。

Dec, 2013

本文提出了一种可学习的直方图层，可以在深度神经网络中学习直方图特征并在训练期间与其他层共同优化，这在语义分割和目标检测中得到了探索，深入研究提供了深入的洞见。

Apr, 2018

使用基于 spike-and-slab sparse coding 的新特征学习和提取程序，通过适合于 GPU 的推理过程来克服大数量类的对象识别中标记样本数量的不足，并证明其在 CIFAR-10 和 CIFAR-100 数据集上能够提高监督学习性能和比以前的方法更好地扩展到大量的类别，从而成功赢得了 2011 年 NIPS 工作坊中的挑战

Jun, 2012

研究了在 Deep Features Framwork 中编码多尺度信息的方法，提出了两种尺度编码策略，并在多个数据集上验证了这些方法的有效性。

Dec, 2016