该研究提出了一种名为 “attention sampling” 的技术来解决深度架构难以处理大型信号的问题，从而在传统架构的准确率相同的情况下减小计算和内存占用。

May, 2019

本研究提出了 part-aware sampling 方法，利用人类直观感知对象之间的层次关系，解决 Open Images Dataset 数据集不完整的问题，并在 Google AI Open Images 竞赛 2018 中获得了第一和第二名。

Nov, 2018

本研究提出了一种新型的 CNN 滤波器重要性评分机制 —— 由主动注意力操纵的修剪（PAAM），该机制可以在训练过程中稀疏化 CNN 的滤波器集，并且不需要预先训练的网络。通过在不同网络架构上的实验结果表明，PAAM 优于各种结构化修剪方法在 CIFAR-10 和 ImageNet 数据集上均可获得更好的性能。

Oct, 2022

本研究提出了一种基于重要性采样的计算优化方案，该方案能够减少深度神经网络训练过程中冗余计算，提升模型的训练效果并有效降低损失。实验结果显示，该方案能够在相同的时间预算下，将训练损失降低一个数量级，并提高测试误差 5％至 17％。

Mar, 2018

提出了一种新的主动学习采样策略，将不确定性和基于多样性的选择原则集成到一个联合选择目标中，通过测量所选样本的集体信息得分，有效地避免了冗余，并同时保持了高度的信息性，精选包含不同物体类型、形状和角度的数据集，在目标检测和图像分类任务中相比于随机选择降低了 20% 和 30% 的标注成本。

Jul, 2023

通过利用预训练深度模型进行微调，从而实现多种视觉任务的最佳性能表现，本文研究了许多影响目标检测微调性能的因素，提出了基于视觉相似类群的分层特征学习方案，在不增加测试阶段的计算成本下，本方法在 ImageNet 目标检测数据集上获得了 4.7% 的绝对 mAP 改进。

Jan, 2016

本文提出了自我增强注意力机制的方法，针对少样本学习情况下细粒度视觉识别的问题，在学习中生成注意力地图用于特征提取，实现对样本之间和分类之间共享的关键区域的专注，得到了在低数据情况下明显提高的结果。

Aug, 2022

本文提出了一种双极化自注意力块 (Polarized Self-Attention, PSA) 来解决细粒度计算机视觉任务中的高质量像素回归问题，凭借极化滤波和增强以及在通道枝和空间枝中的最大表示能力，PSA 在 2D 姿态估计和语义分割基准测试上优于标准基准和先进技术。

Jul, 2021

本研究通过在罕见物品识别任务中只微调现有检测器的最后一层实现了高精度的 few-shot 目标检测方法，相较于 meta-learning 的方法，在当前基准测试中精度提升了 2~20 点，甚至有时可以将先前方法的精度提高一倍。

Mar, 2020

本文提出了一个可学习的基于几何的先验模型，改善图像重采样来提高实时物体探测性能，从而在自主导航和城市尺度传感方面得到了明显的改善。

Mar, 2023