该论文提出了一种基于卷积神经网络的主动学习目标检测方法，使用新的图像级评分过程对未标记图像进行排序以进行自动选择，并针对不同情境（如视频或静态图像集）提出适应技巧，在行人检测任务中经过广泛研究，我们在实验中表明所提出的方法比随机选择表现更好。

Nov, 2019

本文提出了一种基于混合密度网络的深度主动学习方法，该方法通过对定位和分类器的输出估计概率分布并明确估计模型的不确定性，使用一种特殊得分函数将这两种不确定性聚合在一起以获取每个图像的信息量分数，通过 PASCAL VOC 和 MS-COCO 数据集的实验证明了该方法在物体检测方面的有效性，性能优于单模型和多模型方法，而计算成本仅为之前方法的一小部分。

Mar, 2021

本文研究了卷积神经网络中使用神经编码作为图像检索应用的高级描述符，实验表明即使 CNN 用于无关的分类任务，神经编码可与标准描述符竞争。 此外，基于 PCA 的神经编码压缩提供了非常好的短代码，并且具有比其他标准描述符更好的鲁棒性；而基于匹配相片的辨别降维进一步提高了所压缩神经编码的检索性能。

Apr, 2014

本文提出了一个特征鲜明的 Image copy detection（图片复制检测）基准测试集，包括添加了具有强扰动性的 hard negative queries，作者进一步阐述了度量学习和 ICD 之间的对称 - 非对称的冲突，并提出了一种新的学习方法：Asymmetrical-Similarity Learning (ASL)，该方法不同于以往度量学习采用的对称距离，它允许两个方向上的相似度（查询图片 <-> 参考图片）彼此不同。ASL 的实验结果表明其在硬负样本图像复制检测上的性能明显优于同类方法。

May, 2022

本文主要研究如何通过量化、编码、剪枝和权值共享等技术减小深度神经网络模型的规模，以解决基于卷积神经网络的全局图像描述符在图像实例检索任务上面临的储存问题，研究结果表明，最小化模型大小能够在不影响检索结果的情况下减小两个数量级的规模。

Jan, 2017

该论文提出了一种名为 ActGen 的方法，旨在提高图像生成的效率，并通过将生成的图像纳入训练集来增强模型性能。通过使用真实图像作为引导，在扩散模型的去噪过程中，引入了一种注重图像引导的技术，并利用模型对类别提示的关注来确保类似前景对象的保留性，同时增加背景的多样性。此外，还引入了一种基于梯度的生成引导方法，用两种损失生成更具挑战性的样本，并防止生成的图像与之前生成的图像过于相似。在 CIFAR 和 ImageNet 数据集上进行的实验结果表明，该方法在产生的图像数量显著减少的同时，实现了更好的性能。

Mar, 2024

本文提出一种名为 InterActive 的算法，通过计算神经元和网络连接的活跃度，在神经网络中向下传播高级上下文，提高低级和中级神经元的描述性能，从而实现了广泛的图像分类。

Apr, 2016

本文中，我们用对比学习的方法，通过训练卷积神经网络 (copy detection)，实现了对于图片是否为数据库中任何图片的修改副本进行检测，并提出了负嵌入减法 (negative embedding subtraction) 来进一步提高检测准确性，并在 Facebook AI Image Similarity Challenge 中获得了第一名。

Dec, 2021

本文介绍了两种度量目标假设信息量的度量方法：localization tightness 和 localization stability，这些方法可以使基于分类的主动学习算法更加有效地用于减少标注数据量以达到目标物体检测性能，实验结果表明，使用这些度量方法可以将所需标注数据量减少高达 25%。

Jan, 2018

本论文介绍了一种基于自监督对比训练目标的模型 SSCD，提出了熵正则化项以改进拷贝检测准确性，成功应用于实际网络规模应用中并被证明在各种设置下优于基线模型和自监督架构。

Feb, 2022