该论文提出了一种新的方法，利用多源数据分析和注意力机制使得深度网络可以在小目标类别和数据不足的情况下，在街树分类问题中取得了较大的进展。

Jan, 2019

该论文提出了一种弱监督课程学习流程，用于多标签对象识别、检测和语义分割的任务，其中包括四个阶段，包括训练图像的对象定位、筛选和融合对象实例、像素标注以及基于任务的网络训练，通过这种流程，实现了在 MS-COCO、PASCAL VOC 2007 和 PASCAL VOC 2012 数据集上进行多标签图像分类以及弱监督对象检测和语义分割的最新成果。

Feb, 2018

本文介绍了一种采用多实例学习方法、利用二进制标签训练目标探测器并推断正样本中物体的位置的弱监督学习方法，旨在解决目标分类定位问题，同时提出了一种多因素多实例学习流程和窗口细化方法，将之应用于高维特征，例如 Fisher 向量和卷积神经网络特征，并在使用 PASCAL VOC 2007 测试集进行实验验证其有效性。

Mar, 2015

本研究提出了一种基于物体检测的自下而上植物识别方法，该方法可以通过检测植物器官并融合器官级别物种分类器的预测来识别植物物种，同时我们还创建了一个公开的长尾分布数据集来评估此方法。

Jun, 2021

该论文研究了只从图像级别监督中学习语义分割的问题，引入了两个神经协同注意力机制来补充地捕捉跨图像的语义相似性和差异性，提高了物体模式学习和语义分割的性能，并在不同的 WSSS 设置下实现了最先进的性能。

Jul, 2020

研究了一种基于卷积神经网络的零迁移学习模型，该模型利用辅助信息学习一种兼容性函数，实现对未看到类别的识别，并对通过多种辅助信息对新数据集进行了实验验证。

Dec, 2017

本研究提出了一种基于多任务全卷积架构的方法，利用超光谱无人机数据从稀疏和有限的多边形注释中进行密集森林的树种映射。通过实现局部损失函数和距离回归互补任务，该模型从非密集的训练样本中实现了密集的树木语义标记结果，并使用共享的骨干网络和两个任务特定解码器来学习两个任务的普遍表示，并取得了热带森林树种分类的最先进性能。

Jun, 2021

本文提出了一种多源融合网络，通过 interoceptive 空间关注模块和特征净化模块有效地融合多源特征，以及自动选择预测器防止对低质量光流图像产生过度依赖，从而实现了零样本视频对象分割的优异表现。

Aug, 2021

本文使用自适应学习框架，并结合实例搜索，通过逐步挖掘目标实例，即使不知道目标物体的种类，也能够实现准确的目标定位和少样本物体检测，并在两个任务上表现出优越的性能。

Jul, 2021

本文提出了一种新方法，即一个新的联合图像级联和特征金字塔网络，用于在遥感图像中提取多尺度的强和弱语义特征，并进行定向边界框的检测和旋转非极大值抑制，提高了模型的性能。同时，该模型还具有对图像和对象尺度和方向的鲁棒性，可在多类物体检测应用程序中部署。

Jul, 2018