该研究提出了一种称为 “代表空间距离学习” 的方法，该方法可用于将一种深度神经网络模型学习到的内部表现空间应用到另一种模型之中，通过该方法可将学生模型的表现空间序列逐步拟合为更接近于教师模型表现空间的序列。通过将学生模型的表现空间逐渐接近于教师模型的表现空间，使用该方法可以显著提高可视化分类性能。未来该方法可以应用于将深度神经网络的任务约束和生物大脑的约束相结合，从而构建出可以复制生物大脑内部表现空间的深度神经网络模型。

Nov, 2015

本文介绍了一种针对卷积神经网络模型中图像嵌入优化的方法，用于突出显示贡献最大的图像区域，可用于相似性学习领域的问题。我们还将该方法推广至使用不同池化策略的嵌入网络，并提供了一种支持查询图像中物体或子区域的图像相似性搜索的简单机制。

Jan, 2019

本研究提出了一种监督学习框架，直接从原始图像中生成紧凑且可扩展的哈希编码，通过使用三元组样本最大化匹配对与不匹配对在汉明空间中的边界，并同时优化图像特征和哈希函数，从而在实际应用中更具有灵活性和更高的性能。

Aug, 2015

本研究探讨了在深度学习中通过将关系和感觉信息分隔，以及引入归纳偏差来改善系统的推理性能，并提出了基于相似性分数的简单架构 -- Compositional Relational Network (CoRelNet), 增强了模型的鲁棒性，提高了关系计算的分布外泛化能力。

Jun, 2022

利用神经网络进行相似性分析是一种理解和分类各个领域中复杂模式的强大技术。本研究探讨了完全卷积网络（FCNs）生成的潜在信息在相似性分析中的应用，特别是用于估计二维图片中对象的视觉相似度。这一分析方案包括两个步骤：（1）从经过训练的 FCN 中提取和转换每个二维对象的特征模式，（2）通过模糊推理来识别最相似的模式。通过考虑分析中潜在变量的重要性，可以进一步增强第二步，并提供有关使用基于神经网络的相似性分析有效地辨别数据模式的好处和挑战的宝贵见解。

Jul, 2023

基于广义海明距离，重新解释了许多有效的神经网络技术，包括批量归一化和修正线性单元；提出了广义海明网络（GHN），具有快速学习速度和出色的性能。

Oct, 2017

本文提出了一种可视化深度神经网络分类决策的方法，使用基于区域扰动的方法评估热图，并比较了三种不同方法计算的热图对网络分类决策的解释力，结果发现基于层级相关传播方法对解释分类决策的效果更好。同时，本文还探讨了利用热图进行神经网络性能无监督评估的方法。

Sep, 2015

在 ReLU 神经网络中，由于有限的多面体分解与对应的有限的对偶图的强大作用，它可以与持久性同调一起用于检测样本中输入空间的流形的同调信号。

Jun, 2023

该研究提出了通过将图像映射到类别嵌入中以学习语义鉴别性特征的方法，从而提高图像检索结果的语义一致性。结果显示在 CIFAR-100，NABirds 和 ImageNet 上，学习到的图像嵌入大大提高了图像检索结果的语义一致性。

Sep, 2018

我们提出了一个新的度量空间，基于截断汉明距离和 ReLU 激活码，并在 MNIST 数据集上进行实验，结果表明除准确率之外还有信息存储在代码空间中。

May, 2020