提出了一种 Coarse-to-Fine Feature Mining 技术，用于同时学习在图像语义分割中已经充分利用的静态内容与视频语义分割中特有的动态内容，利用在连续帧中挖掘有用信息的方法增强了视频特征的内容。该技术在视频语义分割方面具有优异的表现。

Apr, 2022

本文提出深度特征分解（DFF）方法，可用于图像内的语义概念定位、特征空间内的层次聚类结构检测和图像的共同分割及共同定位。研究结果表明，DFF 在这些任务上表现出色。

Jun, 2018

通过对视图重要性进行融合，并通过聚类级对比学习和语义特征度量来减弱假阴性对之间的对比学习，我们提出了一个名为 DCMCS 的多视图聚类框架，用于减轻假阴性对的影响。实验结果表明，该框架优于现有方法。

Mar, 2024

本研究提出了一种深浅特征学习网络 DSNet，通过 MSC 特征的学习，利用任何基于 DCF 的方法进行有效的在线追踪，同时可显著提高跟踪速度。

Nov, 2018

通过使用 3D CNN 建立时空特征提取模型，我们提出了一种新的深度伪造视频检测方法，相比于现有方法能更准确地进行分类，并且经过测试表现出更强的通用能力。

Oct, 2020

本文提出了一种双流学习框架，称为深度协作离散哈希（DCDH），该框架通过协同地将视觉特征和语义标签中的共享和个人语义合并，构建了一种判别性离散空间，从而生成上下文感知表示，再通过联合学习视觉表示和语言，添加标签重构和中心焦点损失以建立共同的二进制编码空间。大量实验证明了该方法的优越性。

Nov, 2019

本文提出了一种新的鲁棒性编码器解码器结构的神经网络，使用少量的训练示例进行端到端的训练，通过特征融合在 Feature Pooling Module 中提取多尺度特征，实现对相机运动的鲁棒特征池化，免去多尺度输入的需求，通过 CDnet2014、SBI2015 和 UCSD Background Subtraction 数据集的实验表明，所提出的方法的整体 F-Measure 平均值优于现有所有最先进的方法。

Aug, 2018

本篇论文通过「分离」视觉信息的方法，提出了一种有效解决深度超假的问题的框架，着重考虑了针对具体伪造方法（网络结构、训练数据等）的「过拟合」问题以及如何发现「通用伪造特征」作为泛化的基础。

Apr, 2023

本文介绍了一种非监督框架来提取视频表征的语义丰富特征，并提出了一个深度卷积神经网络来分离运动、前景和背景信息。实验结果表明，该网络可以在视频中成功分割前景和背景，并基于分离的运动特征更新前景外观。此处提供的预训练方法可以优于随机初始化和自动编码器预训练，促进了区分性分类任务。

Jul, 2017

提出了一种名为 3DCFS 的新型快速坚固的 3D 点云分割框架通过耦合特征选择，以联合执行语义和实例分割，并通过耦合特征选择模块 CFSM 自适应选择和融合两个任务中的互惠语义和实例特征来进一步提高实例分割任务的性能。

Mar, 2020