本文提出了一种自我监督的相关性挖掘网络（SCM-Net），其中包括解耦样式编码器（DSE）和相关性挖掘模块（CMM），用于在特征空间中重新排列源图像，并使用图形分析的身体结构保持损失（BSR Loss）来提高生成效果。实验表明，相对于其他有监督和无监督的方法，该方法在 DeepFashion 数据集上表现优越。

Nov, 2021

该论文提出了一种新颖的半监督特征选择框架，通过挖掘多个任务之间的相关性，并将其应用于不同的多媒体应用程序，从而提高特征选择的性能。

Nov, 2014

本研究提出了名为 ConMH 的一阶段自监督视频哈希方法，该方法通过采用编码器 - 解码器结构重构视频以捕获视频语义信息，并通过最大化两个视频增强视图之间的协议以充分利用视频之间 的相似性关系。实验结果表明 ConMH 方法在大规模视频数据集上表现出色，是当前最佳方法之一。

Nov, 2022

利用多尺度相关图的潜力，提出了一种高效的语义匹配方法 HCCNet，通过特征分割和点卷积等操作，实现了在语义匹配上具有先进水平或有竞争力的性能，同时降低了延迟和计算开销。

Nov, 2023

本研究开发了基于相互排斥、患者覆盖和驱动因子网络浓度原则的 $C^3$ 算法，可以在大规模癌症基因组研究中更高效、可靠地识别突变模式和驱动通路，并在 TCGA 乳腺癌和胶质母细胞瘤数据上的测试中优于 CoMEt 方法。

Jan, 2016

本论文提出了一种名为 DCCM 的新型聚类框架，可以从三个方面探索和充分利用未标记数据中的各种相关性，通过伪标签监督，全面的研究特征对输入空间的图像变换的稳健性，并将 triplet 互信息应用于聚类问题中，从而进一步有助于学习更有区分性的特征。在多个数据集上进行了广泛的实验，取得了良好的性能，例如在 CIFAR-10 上达到 62.3％的聚类准确度，比现有最先进方法高出 10.1％。

Apr, 2019

本文提出了一种名为无监督语义深度哈希（USDH）的新型无监督深度哈希方法，使用卷积神经网络学习特征和哈希码，并利用 CNN 特征层中保留的语义信息来指导网络训练。在 CIFAR-10，NUSWIDE 和 Oxford 17 数据集上进行了广泛实验，结果表明 USDH 相较于其他无监督哈希方法更加有效。

Mar, 2018

提出了一种称为 UCC 的新型学习框架，它通过强弱数据增强、动态交叉集复制粘贴和不确定性引导的重新加权模块，结合了一致性和自我训练的优势，从而实现了半监督语义分割。在 Cityscapes 和 PASCAL VOC 2012 数据集上进行了广泛的实验，证明了 UCC 方法的有效性和优越性。

May, 2022

本文提出了一种新的复合相关量化（CCQ）模型，通过最大化相关性的映射，将不同模态嵌入到连续的同构空间中，并同时学习复合量化器，将同构潜在特征转换为紧凑的二进制码，以实现高效的相似性检索。实验证明，CCQ 模型优于现有的哈希方法，可用于单模态和跨模态检索。

Apr, 2015

本文介绍了一种基于扩散模型的远程感知高光谱图像变化检测方法，结合语义相关性扩散模型和交叉时序对比学习机制，利用丰富的未标定样本获得不变的光谱差异特征在三个数据集上的实验表明，该方法在准确性、kappa 系数和 F1 值等方面都优于最先进的无监督方法，同时可以跟需要大量注释样本的全监督方法达成可比较的结果。

May, 2023