提出了一种基于定位的引导网络，该网络为每个属性自动学习本地特征，并通过与全局特征的互动强调它们，在两个行人属性基准测试中取得了最新的最佳成绩。

Aug, 2018

本文提出了一种基于属性操控的图像检索方法，使用 FashionSearchNet-v2 架构学习属性特定表示，并通过弱监督定位模块提高相似性学习，所得的本地表示基于被指导的属性操控合并为单个全局表示，在多个数据集上展示了 FashionSearchNet-v2 的优越性和可泛化性。

Nov, 2021

本文提出了一种新颖的 6D 物体姿态估计框架，称为 G2L-Net，它可以通过 RGB-D 检测处理点云数据来进行实时姿态估计，并在两个基准数据集上取得了最先进的性能。

Mar, 2020

本文提出了一个新的序列特征学习方法，Glance and Focus Network（GFNet），用于图像识别问题中的减少空间冗余和时间复杂度的优化，GFNet 采用类似人类视觉系统的粗到细的学习方式处理图像，并通过强化学习的方式定位图像中的显著区域，从而避免了手动标注的需求。实验表明，GFNet 能够大幅度降低 MobileNet-V3 在 iPhone XS Max 上的平均延迟 (1.3x)，而精度没有任何损失。

Jan, 2022

我们提出了一种条件交叉注意力网络，通过一个单一的主干网络产生可以区分出对象多个具体属性的解缠多空间嵌入。该方法首先利用交叉注意力机制融合和切换条件信息，通过多样的可视化示例证明其有效性。其次，首次将视觉变换应用于细粒度图像检索任务，并提出了一个简单且有效的框架，与现有方法相比。与以往研究不同的是，我们的方法在 FashionAI、DARN、DeepFashion 和 Zappos50K 基准数据集上取得了始终如一的最先进性能。

Jul, 2023

通过使用多任务深度卷积神经网络 (MCNN)，共享所有属性的最低层，共享相关属性的更高层，并在 MCNN 上构建辅助网络以利用所有属性的分数来提高每个属性的最终分类，我们可以利用属性关系来提高属性分类器的准确性。我们在两个具有挑战性的公开数据集上展示了我们方法的有效性。

Apr, 2016

本文提出了使用神经语言模型来克服零 - shot 视觉识别中属性的局限性，并取得了在文本图像检索精度和零 - shot 分类准确率上的显著性提升。

May, 2016

提出一种基于属性本地化的图像表示学习框架，通过视觉语义嵌入层学习全局特征，并通过属性原型网络同时回归和解相关属性，为任意样本，包括零样本和少样本图像分类任务提供有益的属性知识转移，并引入变焦模块以局部化和裁剪信息区域鼓励网络显式地学习最有效的特征。此外，该模型通过视觉化和用户研究定量和定性评估属性本地化能力，并在三个基准测试中取得新的最优结果。

Apr, 2022

本研究提出 GLAC Net 模型，结合全局 - 局部注意力和上下文级联机制，实现多图故事生成，模型在视觉叙事数据集上获得极具竞争力的结果。

May, 2018

本篇论文提出了一种利用有意义的属性指导（例如相机视角、车辆类型和颜色）的新型深度网络架构来解决车辆再辨识中的问题，并设计了一种特定视角的生成对抗网络来生成多视角车辆图像。实验结果表明，该方法在 VeRi-776 和 VehicleID 数据集上实现了显著的性能提升，成为车辆再辨识领域的新的最佳性能算法。

May, 2019