本研究旨在学习单个通用的人物解析模型，该模型能够通过将不同域中的不同粒度的标注注解相结合来解决所有类型的人物解析需求。通过引入名为 “Graphonomy” 的新型普适人物解析代理，该代理将分层图传输学习与传统解析网络相结合，以编码底层标注语义结构和传播相关语义信息，从而实现了优越的普适人物解析能力。

Apr, 2019

我们提出了 UniGraph 框架，通过使用文本属性图（TAGs）来训练图基础模型，实现对未见过的图和任务在不同领域中的泛化能力。我们的方法采用了级联的语言模型（LMs）和图神经网络（GNNs）构建的骨干网络以及基于掩码图建模（MGM）的自我监督训练目标，并引入大型语言模型（LLMs）进行图指令调优，进而使模型能够进行零样本预测。在各种图学习任务和领域的全面实验证明了我们模型在未见过的图的自我监督表示学习、少样本上下文转移和零样本转移方面的有效性，甚至超越或匹配了在目标数据集上进行受监督训练的 GNNs 的性能。

Feb, 2024

通过引入 “图像语法” 的概念，结合卷积神经网络和视觉变换器，我们提出了一个两阶段的弱监督学习方法，利用深度聚类和特征细化生成部分 - 语义分割，并结合双向长短时记忆模块处理语义分割补丁序列以捕捉图像语法，实现了对图像补丁损坏的准确检测，在多种语义和句法损坏场景中，验证了我们的框架在 Celeb 和 SUNRGBD 数据集上能够实现 70% 到 90% 的语法验证准确度。

Jan, 2024

本文提出了 GRAph PYramid Mutual Learning 方法，通过使用自注意机制建模语境节点之间的关联并采用自上而下逐级细化的机制，在不同粒度的注释之间解决交叉数据集人体解剖分割问题，从而学习到更具有区分度的特征表示，并在多个基准测试中取得了最先进的性能。

Nov, 2019

通过在传统的全景分割网络中引入图形结构来挖掘前景物体和背景物体类别内的模块内部和模块间关系，进而建立单一的 end-to-end 网络，以实现对图像的整体理解。该模型 (BGRNet) 在 COCO 和 ADE20K 全景分割基准中实现了新的最先进性能。

Apr, 2020

本文针对现代深度学习神经网络模型需要大量手动标注数据以及从大量文本数据中构建领域特定知识图谱的困难问题，提出一个将知识图谱自适应和重新学习应用于不需要手动注释训练数据的领域适应性构建的综合框架，并引入了一种新的迭代训练策略来促进领域特定命名实体和三元组的发现和抽取，实验结果表明，该框架可以有效执行领域适应和构建知识图谱的任务。

Nov, 2022

本文介绍了两种基于知识图谱（KG）的框架，用于人类可理解的迁移学习解释，其中一种利用卷积神经网络（CNN）学习的特征的可转移性，另一种则通过零样本学习（ZSL）从多个源域预测目标域的模型，并利用 KG 及其推理能力来提供丰富而易于理解的解释。

Jan, 2019

本论文提出了一种新的底部向上体系结构，以联合学习类别级人类语义分割和多人姿态估计来解决实例感知的人体部位解析的挑战任务。该框架利用不同人类细粒度上的结构信息，使人员分区的难度降低。通过将联合关联建模为最大权二分匹配，实现了可微分的解决方案，从而使我们的方法具有端到端的可训练性，并且允许将分组误差直接传播到多层次的人类表征学习中。

Mar, 2021

本文针对跨领域人体解析问题，提出了一种新颖而高效的人体解析模型，该模型通过显式学习特征补偿网络和引入结构标签对抗网络来减轻不同域之间的视觉外观和环境条件的差异以及指导目标领域的解析结果遵循共享的结构标签高阶关系。

Jan, 2018

这篇论文研究了一项名为统一感知分析的新任务，通过开发 UPerNet 多任务框架和一种训练策略来实现从给定图像中识别尽可能多的视觉概念，最后在自然场景中应用训练网络来发现视觉知识。

Jul, 2018