提出一种基于轻量级卷积神经网络的人体方向估计方法，用于改善面向服务型机器人应用中用户与机器人面对面交互时的限制，该方法在基准数据集和自行构建的数据集中分别达到了 81.58% 和 94% 的准确率，并可用于多种对估计人体方向敏感的面向服务型机器人应用，同时欲演示该方法对面部检测率的提升。

Sep, 2016

本文研究使用深度卷积神经网络来解决连续物体方位估计任务，并通过比较三种连续方位估计方法的效果证明，将连续方位估计任务转化为离散方位估计任务并使用均值漂移算法将离散方位估计结果转化回连续方位，其中基于离散化的方法不仅性能更好，而且达到了最先进水平。同时，文章也说明了在适应图像识别任务的深度卷积神经网络中，寻找合适的特征表示是获得良好性能的关键。

Feb, 2017

该论文研究了 3D 物体识别中物体方向的重要性，提出将物体姿态预测作为一项并行任务以实现多任务分类，通过多个数据集的测试获得了最佳性能。

Apr, 2016

本文研究了一种基于卷积神经网络的数据驱动算法来解决相机型号识别问题，结果表明，所提出的方法在 64x64 的彩色图像块分类上优于最新的算法，而且所学到的特征具有很好的泛化性能。

Mar, 2016

本文提出了一种使用旋转卷积神经网络的自监督学习框架，通过生成的图像对和直方图来训练密集方向对准损失，从而学习检测具有鲁棒性的定向关键点，并在图像匹配和相机姿态估计基准测试中表现出优异的性能。

Apr, 2022

通过改进的深度卷积神经网络以及多元箱子架构和几何限制，本研究在 KITTI 3D 检测基准测试上确定了更准确的三维对象姿态。

Apr, 2023

本文提出一种使用单个深度卷积神经网络进行人脸检测，人脸对齐，姿态估计，性别识别，微笑检测，年龄估计和人脸识别的多用途算法，通过多任务学习框架实现了对 CNN 模型的共享参数的规范化，并在不同领域和任务之间建立协同关系，实验结果表明该网络对人脸具有更好的理解，并在大多数任务方面实现了最先进的结果。

Nov, 2016

提出一种新颖的方法来进行 360 度图像的纠正调整，该方法包括卷积神经网络（CNN）和图卷积网络（GCN）两个模块，通过 CNN 处理输入的 360 度图像进行视觉特征提取，然后将提取的特征图转换成一个图形，从而找到了输入的球面表示。同时引入了一种新颖的损失函数来解决在球面上定义的离散概率分布问题。实验结果表明，该方法优于基于全连接的方法。

Jun, 2024

本文介绍了如何使用卷积神经网络为特征点分配一个规范方向，以改进特征点匹配，并使用 Siamese 网络和新型激活函数来实现最优化方向的自动寻找，最后，在四个数据集上进行了验证，包括两个非平面数据集和一个自有数据集，并证明了该方法在不需要对每个数据集进行重新训练的情况下超越了现有技术。

Nov, 2015

利用深度神经网络对心脏 MRI 图像的取向进行分类和标准化，采用迁移学习策略适应多序列和多模态的 MRI 图像，验证了模型的鲁棒性和有效性。

Jul, 2023