跨模态上下文的局部描述符增强
通过采用上下文增强和空间注意机制，本文提出了一种可获得非局部感知的本地描述符方法，并在诸如 HPatches，Aachen Day-Night 定位和 InLoc 室内定位基准测试中，显著超越了先前的最先进本地描述符。
Mar, 2022
本研究提出了一种名为 “局部描述符上下文增强” 的新方法，通过利用自适应全局上下文增强模块，独特地将局部描素与全局理解之间的差距相互联系起来，从而确保对于每个局部特征都进行更大范围的视觉解释，以取得在细粒度分类任务上最高绝对改进率达 20% 的显著进展。
Jan, 2024
本研究采用了一种基于 patch 排列上下文学习的自监督学习方法，着重解决了光学畸变、空间倾斜和中等特征忽视等问题，在不同数据集上进行多项自监督测试，结果表明，在 PASCAL VOC 2007 的分类和检测、PASCAL VOC 2012 的分割以及 ImageNet 和 CSAIL Places 数据集上的线性测试中都取得了顶尖成绩，在迁移学习分类测试中，超过基准方法的改进幅度为 4.0 到 7.1 个百分点，同时演示了不同标准网络架构的结果，以证明其推广性和灵活性。
Nov, 2017
视觉地理定位方法的多阶段课程学习以及全局和局部特征的关键点检测、描述和位置调整使其成为一种实用的视觉地理定位解决方案，取得了高召回率的好成绩。
Nov, 2023
本文提出一种新颖的基于几何约束的局部描述符学习方法 ——GeoDesc，旨在改善学习局部描述符在图片三维重建中的泛化性能不足的问题。结果表明，GeoDesc 在各种大型基准测试中表现出优异的性能，并在具有挑战性的重建任务中显著成功。此外，本文提供了在 SfM 流水线中实际集成学习描述符的指南，展示了 GeoDesc 在精度和效率之间能够提供的良好平衡。
Jul, 2018
该研究利用图像级别监督，通过引入两种上下文感知的模型来实现目标在图像中的定位，加性模型和对比模型有助于定位目标的位置，在 Pascal VOC2007 和 2012 测试中表现出较好的效果。
Sep, 2016
该论文提出了一种名为 DCCNet 的动态上下文对应网络，通过引入注意力机制，整合了多种语义线索，对计算机视觉中语义对应问题进行了改进，并在多个数据集上验证了该方法的有效性。
Sep, 2019
该研究探讨了利用空间上下文作为丰富的视觉表征的监督信号的方法。通过从每个图像中提取随机配对的路径来训练卷积神经网络，用于预测第二个路径相对于第一个路径的位置，从而实现对目标的识别，并证明该方法在性能上优于其他算法。
May, 2015