本文提出了一种基于 F-measure 值的正反馈方法来改进现有方法的显著性预测准确性，通过将现有模型的预测图输入到正反馈方法中，可获得高准确性的预测结果，而无需进行精细的解码器设计或模型训练。该方法具有适应性，可根据现有模型进行实现，并且在五个公开数据集上的实验结果表明，该方法在显著性地图预测的五个评估指标中超过了最新的 12 种方法。

Apr, 2023

本文研究了基于深度学习的 Faster R-CNN 在航空图像目标检测中的应用，通过对多种策略的探索，成功提升了模型在 iSAID 数据集上的平均精度（mAP），为航空图像目标检测提出了有效的解决方案。

Jan, 2022

利用 3D 物体检测、LiDAR 点云、动态特征融合模块和特征选择模块以提高网络性能。

Jan, 2024

我们提出了一种名为 FeatEnHancer 的模块，通过使用任务相关的损失函数来层次化地结合多尺度特征，改进低光视觉下的图像表示，从而显著提高了多个低光视觉任务的效果。

Aug, 2023

提出了一种新增加了自上而下反馈的框架，名为迭代误差反馈（Iterative Error Feedback，IEF），来训练多任务的卷积网络（Convolutional Networks）进行姿态估计，其在人体姿态估计的 MPII 和 LSP 数据集上表现良好并与现有最先进结果相媲美。

Jul, 2015

本文提出了一种新方法，即一个新的联合图像级联和特征金字塔网络，用于在遥感图像中提取多尺度的强和弱语义特征，并进行定向边界框的检测和旋转非极大值抑制，提高了模型的性能。同时，该模型还具有对图像和对象尺度和方向的鲁棒性，可在多类物体检测应用程序中部署。

Jul, 2018

提出了一种名为 FE-CCM 的算法，该算法使用级联分类器，其中第一层分类器的输出作为第二层分类器的输入，通过反馈过程计算分类器错误，并改进了场景理解领域中各子任务的性能，包括深度估计，场景分类，事件分类，对象检测，几何标记和显着性检测，还改进了两个机器人应用程序：对象抓取机器人和对象寻找机器人。

Oct, 2011

本文提出了一种基于统一框架的低级像素视觉问题解决方法，通过选择性整合模块和任务自适应注意力模块实现，经实验验证不同的任务可以在同一个框架下进行训练，并在多个代表性数据集上证明了该方法的有效性。

Apr, 2020

本文提出了一种名为 “Focus-and-Detect” 的两阶段物体检测框架，包括一个用高斯混合模型监督的物体检测网络来生成聚焦区域，以及一个物体检测网络来预测指定区域中的物体。同时，本文还提出了一种名为 IBS 的方法，可以克服区域搜索方法的截断效应，并在 VisDrone 验证数据集上获得了 42.06 的 AP 得分，超越所有已知的最先进的小物体检测方法。

Mar, 2022

本研究提出了 DFR-Net，一种动态特征反射网络，通过分离任务特定的特征并自我相互反映，以及自适应地重新调整各个子任务的训练进程，有效地解决了基于 KITTI 数据集的 3D 物体检测问题，同时与目前先进的 3D 检测框架的集成成本极低。

Dec, 2021