本文提出了一种基于区域的特征强化网络 (REFL-Net)，将点云表示为区域来减少计算压力，并设计了以区域为基础的特征强化模块 (RFE) 来提高模糊点的特征表示，实现了强大的长程上下文建模和领域泛化能力。实验结果显示，REFL-Net 在 ScanNetv2 和 S3DIS 数据集上均达到了显著的增益。

Apr, 2023

提出了一种针对下游的 few-shot 分类任务的自适应无监督嵌入方法，其中采用了特征重构、维度驱动的早期停止等创新策略来实现通用化特征的提取，与传统方法相比在所有标准设置下都显著提高了准确性，与传统方法结合使用可以进一步在 mini-ImageNet、tiered-ImageNet 和 CUB 等数据集上取得最先进的性能。

Jun, 2021

本研究提出了一种元学习方法，通过关系模式中 “观察什么” 和 “关注何处” 的方式，利用自我相关表示和交叉相关关注，在图像内和图像间学习关系嵌入，以解决少样本分类问题，并在 miniImagenet、tieredImageNet、CUB-200-2011 和 CIFAR-FS 等四个少样本分类基准测试中取得了一致的改进。

Aug, 2021

通过创新的关系表示学习方法，同时关注个体内在特征和图像补丁特征之间的关系，构建了一种轻量级的关系表示学习网络（RRL-Net），包括自动编码器、特征交互学习模块、多维全局到局部注意力机制以及基于注意力的轻量级特征提取网络。经过大量实验验证，该网络在多个公共数据集上取得了最先进的性能。

Mar, 2024

本文提出了一种新颖的多尺度架构 C2FTrans，它将医学图像分割形式化为粗 - 细过程。其中包含了一个跨尺度全局 Transformer 和一个边界感知局部 Transformer，能够在保持精细的同时降低计算复杂度，并在三个公共数据集上展现了超过现有 CNN 和基于 Transformer 的方法的表现。

Jun, 2022

本研究提出了利用特征重学习和三元组排序损失优化视频内容表示的方法，同时提高数据增强策略在帧和视频层级上的应用。在 Hulu 基于内容的视频相关性预测 Challenge 2018 中，本方法表现优异，为内容相关性预测领域提供了创新的思路和技术。

Apr, 2020

本文提出了一种基于潜在重建误差引导特征细化的新方法 LaRE^2，用于检测扩散生成的图像，并通过 Error-Guided feature REfinement 模块（EGRE）来增强特征的区分性。实验结果表明，在 8 种不同的图像生成器上，LaRE^2 的平均准确率（ACC）和平均精度（AP）相较于现有最佳方法提高了 11.9%/12.1%。LaRE 还在特征提取成本方面超过了现有方法，提供了 8 倍的速度增强。

Mar, 2024

本文提出了一种在潜在空间中将 few-shot 分类问题重新表述为重建问题的方法。通过从给定类别的支持特征到查询特征的直接回归，无需引入新的模块或大规模可学习参数，我们引入了一种新的机制进行 Few-shot 分类，该机制被称为特征映射重建网络，它比以前的方法更有效和更高效。我们在四种细粒度基准测试和两种非细粒度基准测试上验证了这个方法的一致和显著的准确性增益。

Dec, 2020

本文研究了如何通过特征重组、自注意力、稀疏 / 协作学习等手段来比较变量数量、质量和无序异质图像集的相似度，并在实验中取得了领先的成果，解决了人脸识别和人物重识别等问题。

Aug, 2019

本文提出了一种称为 EFTs 的简单的任务特定特征映射转换策略，具有强大的灵活性，利用最小的参数增加了基本体系结构，使其在大规模场景下实用；我们还提出了一种特征距离最大化策略来完成类增量设置中的任务预测。通过在较广泛的一系列任务序列中的实验，包括区分性任务和生成任务，证明了该方法的实效性和效率。

Mar, 2021