本文介绍了一种创新的方法 —— 自适应特征融合（AFF），可以通过动态地调整特征表示的融合过程来增强深度学习模型的泛化能力。研究表明，使用 AFF 方法可以提高模型性能，并在多个基准数据集上进行了广泛的实验验证。该文还探讨了 AFF 方法的实际应用，并指出未来的研究方向。

Apr, 2023

提出了基于规范化选择的适应性规范化表示学习框架，可提高面部反欺诈的泛化能力并具有较高的鲁棒性。通过实验验证了该方法在 SOTA 竞争者中的有效性。

Aug, 2021

本文提出了 Deep Image-to-Video Adaptation and Fusion Networks (DIVAFN) 模型，通过跨媒介学习和特征融合，将图像的知识迁移到视频中，用来增强视频动作识别的性能。实验证明，该方法在四种真实数据集上表现出色，超越了一些领域适应和动作识别方法。

Nov, 2019

本研究提出了利用深度神经网络的多源域泛化技术，通过引入特定于各个领域的优化归一化层。在每个域中，根据多个归一化统计的加权平均值对激活值进行归一化处理。并且在实现中使用批和实例归一化，以确定这两种归一化方法的最佳组合，优化学习模型的通用性。本方法在标准域泛化基准测试中展示了当前最高的准确率，同时适用于诸如多源领域适应和带有标签噪声的域泛化等进一步的任务。

Jul, 2019

本文提出了一种自适应集成学习框架，旨在通过智能地融合特征来提高深度神经网络的性能。该框架通过集成学习策略和深度学习架构实现更强大和适应性强的模型，能够处理跨多个领域的复杂任务。通过智能特征融合方法，自适应集成学习框架生成更具辨别性和有效性的特征表示，导致改进了模型性能和泛化能力。在多个基准数据集上进行了广泛的实验和评估，包括图像分类，目标检测，自然语言处理和基于图形的学习任务。结果表明，所提出的框架始终优于基准模型和传统的特征融合技术，在增强深度学习模型的性能方面非常有效。此外，本文还探讨了自适应集成模型的设计和实现、集成训练策略和元学习技术，这些都有助于提高框架的多功能性和适应性。综上所述，自适应集成学习框架代表了特征融合和集成学习在深度神经网络领域的重大进展，具有在跨多个领域中改变广泛应用的潜力。

Apr, 2023

本文提出了自适应分解网络（AFN），通过对数转换层转换特征组合中每个特征的权值，从而适应性地学习数据的任意阶交叉特征，与现有方法相比，该方法表现出更优的预测性能。

Sep, 2019

本文研究了监控图像中的人脸识别和规范化。 基于 Feature Adaptation Network 框架，本文提出了一种人脸规范化方法，该方法提取身份和非身份因素，通过调整身份因素的分布实现了对分辨率较低的人脸图像的超分辨率处理，进而提高监控图像中人脸识别的准确性。

Nov, 2019

本文提出了 Adversarial Feature Augmentation 和 Normalization (A-FAN) 方法，旨在将对抗性的特征嵌入到当前的视觉识别模型中，从而提高其分类、检测和分割任务的泛化能力。在各种数据集上的实验证明，A-FAN 可以有效地提高当前视觉识别任务的表现。

Mar, 2021

本研究对深度学习中使用的激活函数进行了调查和总结，强调了近期激活函数在深度学习应用方面的趋势。该总结对于选择适用于任何特定应用的最合适和适当的激活函数将起到帮助性作用。

Nov, 2018

我们提出了一种名为自适应特征融合神经网络 (AFNN) 的方法，用于未知领域的青光眼分割，该方法由三个模块组成：域适配器、特征融合网络和自监督多任务学习。我们的方法在四个公共青光眼数据集上取得了有竞争力的性能。

Apr, 2024