本文提出了一种基于全卷积实例感知分割的实例级特征表示方法，通过对分割实例区域进行 ROI 池化，将不同大小和布局的实例表示为具有统一长度的深度特征，并使用可变形 ResNeXt 块进一步增强了表示在挑战测试数据集上具有卓越性能，同时该网络结构的提出也在实例分割任务中表现出了优异的性能。

Jun, 2018

本篇论文介绍了如何通过使用深度卷积神经网络，建立图像中的显著性实例分割方法，通过一个多尺度显著实例分割网络生成高质量的显著性分割结果，并在公共基准测试中取得了最优的结果。

Apr, 2017

本文提出一种基于多层图像分割的监督学习方法，将区域特征向量映射到显著性得分，最终融合多个级别的得分来产生显著图，同时通过研究区域对比度和背景性质，实现了在六个基准数据集上优于现有方法的显著物体检测算法。

Oct, 2014

本文提出了一种基于目标图像预测的语义信息的局部感知编码方法，在图像检索中使用卷积神经网络和类激活图进行无监督重排和目标检测，证明了其在 Oxford5k 和 Paris6k 等公共数据集上的优越性能。

Jul, 2017

本文探讨了使用来自目标检测卷积神经网络的图像和区域表示进行实例检索的适用性，并考虑在相同目标上对 Faster R-CNN 进行微调的适用性，通过首次筛选和空间重新排序构建实例搜索流水线，该方法在 Oxford Buildings 5k、Paris Buildings 6k 和 Trento Visual Search 2013 的子集上获得了竞争性的结果。

Apr, 2016

通过注意力模型对局部卷积特征进行加权，提出了一种基于局部卷积特征包（BLCF）的检索框架，该框架利用人类视觉注意模型（显着性）构建了高效的图像表示。该方法在实例搜索任务中取得了比先前状态的最优性能的显著提高，并在 Oxford 和 Paris 基准测试上提供了与使用现成表示方法的更复杂方法相似的性能。

Nov, 2017

本文提出了一种新方法进行实例级别的图像检索，通过聚合多个基于区域的描述符为每个图像生成全局紧凑的固定长度表示，该方法基于一个特定图像检索任务训练的深度架构，利用排序框架来学习卷积和投影权重，并采用区域建议网络来学习应汇集哪些区域以形成最终的全局描述符。

Apr, 2016

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

本文介绍了使用卷积神经网络进行图像视觉显著性建模的方法，采用新的神经网络结构和改进的空间相关性方法，同时使用多重分割提高了性能，实验表明我们提出的方法在公共基准测试中的表现优于目前已发表的最先进技术。

Mar, 2015

本文对多种因素对卷积神经网络（CNN）提取的特征代表性的影响进行了全面评估，提出了一种新的多尺度图像特征表示方法来有效编码图像，并在可视化目标检索的四个典型数据集上表现出了优异的性能。

Nov, 2016