本研究探讨了在计算机视觉中局部关系算子的可能性，提出了一种可扩展，有效的模块 ——group relation aggregator，并将其用于设计 RPNet。实验结果表明，对于分类而言，结构较宽的 RPNet 表现更佳，而对于分割而言，较深的 RPNet 更优。

Aug, 2021

本文介绍 Point-View Relation Network (PVRNet)，一种有效的网络模型，来融合点云和多视角数据的特征，从而提取出一个统一的表示，用于三维形状的分类和检索，实验结果显示，和现有模型相比有了显著的性能提升。

Dec, 2018

本论文提出了一种名为 PRNet 的简单、灵活和通用的框架，用于部分到部分的点云配准，它使用深度神经网络处理对齐和部分匹配问题的非凸性，并且 PRNet 适用于部分到部分的配准，并在合成数据上优于 PointNetLK、DCP 和非学习方法。

Oct, 2019

该论文提出了一种基于点云的旋转感知大规模场景识别网络 (RPR-Net)，通过三种新的旋转不变特征（RIFs）设计一个注意模块来学习旋转不变核，并将其应用于之前的点云特征中生成新的特征，从而可以学习到高级的场景特定的旋转不变特征，实验结果表明，该方法在解决旋转问题时要明显优于其他旋转不变基线模型。

Aug, 2021

本论文提出一种新型神经网络用于对 ALS 点云进行语义标注，名为全局关系感知注意网络 (GraNet)，该方法首先使用一个本地空间注意卷积模块 (LoSDA) 学习本地几何描述和本地依赖关系，然后使用全局关系感知注意模块 (GRA) 学习任何空间位置和特征向量之间的全局空间和通道关系，以上两个重要模块嵌入多尺度网络架构中，实验结果表明，与其他常用高级分类方法相比，我们的方法在两个 ALS 点云数据集上均可获得更高的分类精度。

Dec, 2020

本文提出了一种新的框架来整合语义和实例上下文以进行全景分割，该框架利用 Panoptic、Instance 和 Semantic Relations（PISR）模块来捕捉语义类别及预测实例的关键特征，在现有方法的基础上，通过引入关系关注机制以提高全景分割的性能。在 Cityscapes、COCO 和 ADE20K 等数据集上的实验表明，该方法相对于现有的方法具有显著的改进。

Apr, 2022

在组织学图像计算辅助诊断中，准确自动地分割腺体是重要且具有挑战性的任务。本文提出了一种基于成对关系的半监督模型，用于组织学图像中的腺体分割。该模型利用标记数据训练分割网络和成对关系网络，并通过成对图像中的语义一致性增强其图像表示能力。模型中的对象级 Dice 损失可解决腺体接触等问题。在 GlaS 和 CRAG 数据集上的实验结果表明，该模型在腺体分割方面具有最先进的性能。

Aug, 2020

本研究提出了新算法 PRIM，通过加权的关系图神经网络、分类目录系统、自我注意的空间上下文抽取器和距离特定的评分函数等四个新颖组件探讨地点基础服务中 POI 之间的关系。在两个真实数据集上进行的实验显示，PRIM 能够有效地推断多种关系类型中 POI 之间的关系，并具有鲁棒性和适用性。

Feb, 2022

本文提出了一种点云学习框架 PRIN，其中通过密度感知自适应采样构造球形信号来处理球形空间中的扭曲点分布并利用球形体素卷积和点重新采样来提取每个点的旋转不变特征。该框架在物体分类、部分分割和 3D 特征匹配方面具有可应用性，并且在没有任何数据增强的情况下，在随机旋转的点云数据集上展现出比现有方法更好的性能。同时，本文提供了对通过该方法实现的旋转不变性的理论分析。

Nov, 2018

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