本研究探讨深度学习模型在品牌标志分类中的应用，并在一个包含十个知名品牌的数据集上测试了 CNN 和 ViT 两种模型的性能。研究发现，ViT 模型 (DaViT small) 具有 99.60% 的最高准确率，而 DenseNet29 则具有最快的推理速度。结果表明，由于其卓越的准确性，DaViT 模型适用于离线应用。这项研究展示了深度学习在品牌标志分类任务中的实际应用。

May, 2023

本研究设计了一种对比神经网络模型，通过大型狗图片数据集训练，经过 350 次训练，该模型测试准确率达到 90％，成功防止了过拟合，结果表明对比神经网络模型具有非常好的定位失去宠物的潜力，并且可用于上传宠物照片进行快速准确的定位和与家庭团聚。

Apr, 2023

比较了不同的预训练神经网络在图像分类任务中的特征提取性能，结果表明 CLIP-ViT-B 和 ViT-H-14 模型在多个数据集上取得了最好的表现，CLIP-ResNet50 模型表现类似但变异性较小。因此，我们的研究证明了在图像分类任务中选择模型进行特征提取的合理性。

Oct, 2023

本研究分析了当前用于图像识别的大多数深度神经网络 (DNN) 的性能指标，包括识别准确率、模型复杂度、计算复杂度、内存使用和推断时间等，并通过在两种不同计算机架构上的实验来测量指标，以帮助研究者们了解目前已经研究探索的解决方案及其未来发展方向，并帮助从业者选择最适合其资源限制的 DNN 架构。

Oct, 2018

本文介绍了 NAS-Bench-101，这是第一个公开的神经架构搜索数据集，并描述了它是如何通过在 CIFAR-10 上训练和评估超过 423k 个卷积架构来构建的，旨在帮助研究者在毫秒内查询预计算的数据集来评估各种模型的质量。此外，作者还展示了该数据集作为整体的可用性以及对一系列架构优化算法进行基准测试的实用性。

Feb, 2019

本文介绍了 AiTLAS 基准测试套件，它是用于评估地球观测中图像分类的最先进深度学习方法的开源基准测试套件。我们对 500 多种模型进行了全面比较分析，以 22 个不同大小和属性的数据集为基础，并将它们与各种多类别和多标签分类任务进行比较，找到了一个通用而有效的模型。

Jul, 2022

文章提出一种名为 Aries 的新技术，通过模型对原测试数据的信息，估算出 DNN 模型在新未标记数据上的表现，避免了给大量数据标记的人力成本，通过在 CIFAR-10 和 Tiny-ImageNet 数据集上进行大规模评估，发现 Aries 的估算准确度仅比真实准确度低 0.03％-2.60％，且在 50 个案例中表现胜过标记 - 无标记方法，在 128 个案例中表现胜过选择 - 标记方法。

Jul, 2022

为提高深度学习模型的性能和泛化能力，本论文提出了数据、损失函数和预测等三个方面的技术，以有效地利用小数据集进行训练。通过利用仅包含每类 50 张图像的 ImageNet 数据，我们取得了高准确率，并在 “数据有效计算机视觉挑战” 中排名第四。

Jul, 2020

本文简要介绍我们参加 VIPriors 图像分类挑战的提交报告。我们使用多个强大的网络和多个损失函数来学习更有代表性的特征。为了提高模型的泛化和鲁棒性，我们还使用了高效的图像增强策略，如 autoaugment 和 cutmix。最终，我们使用集成学习来提高模型性能，我们的团队 DeepBlueAI 在排行榜上排名第二，Top-1 准确率为 0.7015。

Jul, 2020

本论文介绍 Cross Architectural - Self Supervision (CASS), 一种同时利用 Transformer 和 CNN 的新型自我监督学习方法。实验证明，与现有自我监督学习方法相比，CASS 训练的 CNN 和 Transformer 在四个不同的数据集上提高了平均 3.8%（有 1% 的标注数据），5.9%（有 10% 的标注数据）和 10.13%（有 100% 的标注数据），同时花费了少达 69％的时间。同时，CASS 对批量大小和训练时期的改变更具有鲁棒性。

Jun, 2022