本文介绍了一种简单却有效的 Convolutional Random Walk Network（RWN）用于解决 FCN 中存在的问题，通过 Pixelwise Affinity 和语义分割共同优化这两个目标，通过新型随机游走层组合这两个目标，从而在深层网络中实现一致的空间分组。与传统的 FCN 相比，我们的实现仅需要 131 个额外的参数，却在语义分割和场景标记方面始终保持着优势。

May, 2016

本文提出了一种并行、基于区域配对的全卷积网络（PPR-FCN）来解决一种新的视觉任务：弱监督视觉关系检测（WSVRD），以检测图像中的主谓宾关系，其中仅具有图像级别的对象关系地面实况。与弱监督对象检测（WSOD）问题相比，WSVRD 更为具有挑战性，因为它需要检查一大组地区对，这在计算上是禁止的，更容易堵塞在局部最优解中，例如那些涉及错误的空间上下文。

Aug, 2017

本文提出了一种基于 pairwise relational network (PRN) 的人脸识别方法，使用本地外观补丁捕捉局部特征并捕捉不同身份之间独特而具有区分性的成对关系，融合全局特征表示和面部身份状态特征来进一步提高准确性，在 LFW、YTF 和 IJB 数据集上都获得了良好的实验效果。

Aug, 2018

该研究针对深度神经网络在社交网络分析等结构化领域表现不佳的问题，提出了一种新方法，即基于关系随机游走的特征和参数共享的关系神经网络。实验证明，该方法在多个标准关系数据集上的表现优于多种神经网络和统计关系模型。

Aug, 2019

本文介绍了一种用于单张图像超分辨率重建的神经网络模型 FIWHN，通过将 WDIB 组成 FSWG、WCRW 和 WIRW 单元、WRDC 框架和 SCF 单元等方式，解决了模型复杂度高、中间特征丢失等问题，并引入了 Transformer，实现了 CNN 和 Transformer 的新型组合，结果表明 FIWHN 能够在性能和效率之间取得良好的平衡，更有利于下游任务解决低像素场景中的问题。

Dec, 2022

本文介绍了一种轻量级、高效的特征蒸馏相互加权网络（FDIWN），其利用一系列经过特殊设计的特征洗牌加权组（FSWG）作为骨架，多个新颖的 Wide-residual Distillation Interaction Blocks（WDIB）组成 FSWG。通过引入 Wide Identical Residual Weighting（WIRW）单元和 Wide Convolutional Residual Weighting（WCRW）单元来实现更好的特征蒸馏。此外，提出了 Wide-Residual Distillation Connection（WRDC）框架和 Self-Calibration Fusion（SCF）单元，以更灵活、更高效地相互作用不同尺度的特征。大量实验证明，相较于其他模型，FDIWN 在模型性能与效率之间取得了良好的平衡。

Dec, 2021

提出了一种名为 RFR-WWANet 的无监督可形变图像配准模型，使用了 RFRNet 和 WWA 设计以优化 Swin transformer，实现更精细的空间信息建模和语义关联，取得了明显的性能优势。

May, 2023

本文提出了基于 Ensemble Deep Random Vector Functional Link (edRVFL) 的加权 edRVFL (WedRVFL) 和基于修剪的 edRVFL (PedRVFL) 网络，同时也提出了加权和修剪的 edRVFL 网络 (WPedRVFL)。实验结果表明，我们提出的方法在 24 个表格型 UCI 分类数据集上表现出超越其他最先进的深度前馈神经网络 (FNN) 的性能。

Jan, 2022

本文分析了具有随机节点初始化的 GNNs 的表达力，证明了这些模型是通用的，这是 GNNs 的首个不依赖于计算要求更高阶特性的结果。我们基于精心构建的数据集，对 RNI 对 GNNs 的影响进行了经验分析。我们的实证结果支持 RNI 对于 GNNs 的优异表现。

Oct, 2020

提出了一种新的人脸识别方法，称为对比关系网络，该网络利用特征图上地标点周围的局部外观特征，捕捉相同身份的独特对比关系和不同身份之间的有区别性的对比关系，并通过添加面部身份状态特征来进一步提高准确性。

Nov, 2018