本文提出了一种使用深度神经网络应用视觉注意力于细粒度分类任务的新管道，通过整合三种类型的注意力，训练领域特定的深度网络，在弱监督约束下避免使用昂贵的注释，并在 ILSVRC2012 数据集和 CUB200_2011 数据集的子集上验证了该方法的有效性，取得了与其他方法相竞争的表现。

Nov, 2014

本文提出了一种新的 fine-tuning 方法，使用掩码图像作为反事实样本来帮助提高 fine-tuning 模型的鲁棒性，该方法通过分类激活图掩盖语义相关或语义不相关的图像补丁，然后用其他图像中的补丁填充掩盖的补丁，取得了在鲁棒性方面更好的平衡。

Mar, 2023

本文提出了一种新颖的端到端 Mask-CNN 模型，旨在解决细粒度图像识别中的挑战，这个模型基于细粒度图像的部件注释，通过卷积网络定位亚区别的部件并生成对象 / 部件掩模，实现对有用和有意义的卷积描述符的选择并聚合在一起，此模型相对于现有最先进的细粒度方法具有参数最少、特征维度最低和最高的识别准确性。

May, 2016

该研究探讨了使用 dropout 来防止预训练语言模型在有限的数据训练时出现的过拟合问题，提出了一种名为 AD-DROP 的基于注意力机制的策略来防止高度依赖性的高注意力位置被过度舍弃，通过交替使用模型调优后和 AD-DROP 来避免过度舍弃高注意力位置，从而避免过度拟合问题。该研究实验结果表明，AD-DROP 可以提高模型的预测能力并防止过拟合现象的发生。

Oct, 2022

使用连续松弛的 dropout 的变体方法提供更好的性能和更好的校准不确定性估计，从而使大的视觉模型和强化学习的 uncertainty estimates 自动调优，进而实现更快的实验周期，同时可以使代理人在观察到更多数据时动态地适应其不确定性。

May, 2017

我们的研究调查了背景引起的偏见对细粒度图像分类的影响，并评估了卷积神经网络和视觉变换器等标准骨干模型在不同遮罩策略下的行为，得出早期遮罩在 ODD 性能方面表现最佳的结论。

Aug, 2023

使用涉及一系列方法来解释机器学习模型的决策，研究表明这种方法可以用于确定高属性特征的影响并检测出恶意攻击。

Mar, 2019

该论文提出了引入多样性块和梯度提升损失函数两个关键创新点的细粒度识别方法，来解决先前方法在查找亚类别差异性和识别混淆类别上的局限性。在五个挑战性数据集上的全面实验表明，该方法在所有五个数据集上都比使用类似实验方案的现有方法表现更优。

Dec, 2019

通过提出一种新的分类一致性知识蒸馏方法，将高分辨率模型的学习分类器转移到低分辨率网络，从而找到低分辨率实例的有区别的表征，并借助自适应角度惩罚降低过拟合，改善模型收敛问题以及使用半监督表示学习方法来提高低分辨率实例的可区分性，并防止其形成一个簇，该方法在低分辨率基准测试上表现优于现有方法，同时保持了高分辨率基准测试的性能。

Aug, 2023

我们提出了一种新的方法，利用元学习和精细原型来改进少样本目标检测，并通过新的特征聚合模块、平衡类别无关采样和非线性融合模块来提高高级特征融合，从而在 PASCAL VOC 和 MS COCO 基准测试中取得了最先进的性能。

Jan, 2024