本文提出了一种多粒度深度网络 MGN，将全局特征与多种局部特征相结合，将图像实现均匀划分为多个条带进行训练，进一步提高了人物再识别任务的性能表现。在包括 Market-1501、DukeMTMC-reid 和 CUHK03 等主流评估数据集上，我们的方法均实现了最先进的表现并超过了任何现有方法。例如，在 Market-1501 数据集中，在单个查询模式下，经过重新排序，我们实现了 96.6%/94.2% 的 Rank-1/mAP 的最先进结果。

Apr, 2018

本研究提出了一种新颖的多粒度对比方法（MGC），通过构建细致的多粒度对应关系和对比学习，在不使用大规模数据集的情况下，显著优于现有的基准方法，在目标检测、实例分割、场景解析、语义分割和关键点检测等广泛下游任务中展现出数据高效性和优秀的表示迁移性能。

Jul, 2024

本文提出了一个无监督的框架，实现了时间序列的多粒度表征学习，通过跨粒度变换器将细粒度和粗粒度表征进行关联，引入检索任务作为无监督训练任务来学习时间序列的多粒度表征，并设计了一种新颖的损失函数来通过无监督学习获取综合的多粒度时间序列表征，实验证明该框架相比其他表征学习模型具有显著优势。

Dec, 2023

通过最近邻分类器目标和自监督学习的实例损失，结合粗标签和潜在细粒度空间，学习细粒度表示来提高图像检索的精度，从而在 iNaturalist-2018 等五个公共基准上建立了新的最先进技术。

Nov, 2020

本文提出了一种新颖的细粒度视觉分类框架，其中包括渐进式训练策略和随机拼图补丁生成器，以有效地融合不同粒度的特征，并在多个标准的细粒度视觉分类数据集上取得了最先进的性能表现。

Mar, 2020

该研究提出了一种名为 TeG 的自监督学习框架来探索学习视频表示中的时间粒度，其在 8 个视频基准测试中显示出了超越有监督预训练的最新成果。

Dec, 2021

这篇研究论文介绍了一种用于医学图像中分类微细病变的细粒度自我监督学习（FG-SSL）方法，通过逐层分块逐渐学习模型，使细粒度拼图与规范原始图像的交叉相关性接近于单位矩阵，并应用于逐步细粒度学习以发现微小差异，该方法不依赖于非对称模型、负采样策略或批量大小，并在使用多种医学图像识别数据集的全面实验中表现出优越性能。

Aug, 2023

该论文提出了一种基于多粒度对齐的检测框架，不仅考虑了不同类别实例之间的区别，还考虑了不同领域中不同粒度样本的区别，并采用自适应指数移动平均策略 for model assessment 来提高检测的鲁棒性。

Jan, 2023

通过使用多头遮罩生成器来提取目标的精细特征，并通过二次采样技术来获得更高的分辨率和更精确的语义信息，我们提出了一种能够在多物体跟踪中获得最先进性能的新方法。

Feb, 2023

本文提出了一种多任务学习框架，同时优化分类和相似性约束，将标签结构（如层次结构或共享属性）嵌入到框架中以建模多级相关性，从而实现精细的特征表示，并在细粒度数据集上得到了非常竞争的性能。

Dec, 2015