本研究提出了一种基于 CPD 框架的新型显著性物体检测方法，通过构建部分解码器，丢弃低分辨率因素以促进加速，在深层次集成特征的基础上，利用生成的显著图来精调骨干网络的特征，从而显著提高显著性目标检测的准确性和速度。

Apr, 2019

本文提出了一种名为 TD-CEDN 的深度轮廓检测算法，该算法采用自上而下的完全卷积编码器 - 解码器网络，并在多尺度、多级特征学习以及前向传播阶段获得原始特征图，然后采用自下而上的方式进行解码，并使用各层次的特征进行迭代式的反卷积操作来实现基于像素级别的预测，从而取得了在 BSDS500、PASCAL VOC2012 和 NYU Depth 数据集上的最优效果。

May, 2017

本文提出了一种紧凑型次级融合网络 (Compact Twice Fusion Network, CTFN)，其中包括语义增强模块 (Semantic Enhancement Module, SEM) 和伪像素级加权模块 (Pseudo Pixel-level Weighting, PPW) 以完全整合多尺度特征，以及一种名为动态聚焦损失的新型损失函数，可用于处理纹理噪声干扰带来的分类挑战，在三个数据集上评估，CTFN 在参数和计算成本上均优于现有最先进方法。

Jul, 2023

本文提出了一种轻量级 CNN-Transformer 网络 CD-CTFM 来检测遥感图像中的云层，该方法在精度上与现有的最新方法相当，同时在效率方面表现优异。

Jun, 2023

本文提出了两种交叉中心差异卷积（C-CDC）和一个强大的双交叉中心差异网络（DC-CDN），包括交叉特征交互模块和面部交换增强策略，提高了人脸反欺诈的性能。

May, 2021

介绍一种名为 FoodLogoDet-1500 的新大规模公共食品商标数据集，该数据集是食品商标检测领域中首个最大的公共高质量数据集，并描述了 MFDNet 的多尺度特征分解网络方法，该方法可以分离分类和回归，提高分类准确率，处理多类面板商标区分问题。

Aug, 2021

提出了一个多尺度方向感知网络（MSDA-Net），首次尝试将红外小目标的高频方向特征作为领域先验知识集成到神经网络中，并通过创新的多方向特征感知（MDFA）模块、多尺度局部关联学习（MLRL）模块、高频方向注入（HFDI）模块等进行完整的特征提取和定位。大量实验结果表明，MSDA-Net 在公共数据集 NUDT-SIRST、SIRST 和 IRSTD-1k 上实现了最新的最佳效果。

Jun, 2024

本文介绍了一种利用快速区域卷积神经网络模型的自动图形标志检测系统，通过使用预处理阶段的候选窗口选择性搜索和数据增强提高标志识别率，实现了对图形标志的多重检测。实验结果表明，与手工模型以及其他特征的最新系统相比，该模型在噪声和其他转换下具有出色的性能。

Apr, 2016

提出了一种轻量级裂纹级变化检测网络（LPCDNet），用于快速去除大规模双时期图像中的许多未改变的裂纹对，从而加速后续的像素级 CD 处理阶段并减少其内存成本。

Oct, 2023

该研究提出了两种解决方案，即 URFM 和 APT，帮助在人脸识别的跨体系结构知识蒸馏中解决教师和学生之间的差异性空间信息以及教师网络在处理蒸馏特定知识方面的能力不足的问题。

Jun, 2023