该研究试图将深度卷积神经网络与组合模型相结合，以解决当前计算机视觉领域的一个基本问题：在高识别性的同时识别部分遮挡的物体。研究者提出了一种学习两步法，即训练标准DCNN进行图像分类，然后将DCNN特征聚类成字典，并建议用组合模型混合以解决空间激活模式的重要变化问题。该研究表明，组合模型与DCNNs的结合解决了当今深度学习方法在计算机视觉中的基本问题，即在未曾接受训练的情况下识别部分遮挡的物体，同时对不发生遮挡的物体保持高识别性能。

May, 2019

本研究旨在提出一种称为“组合卷积神经网络”的模型，通过整合组合模型和卷积神经网络的特性，能够在部分遮挡的情况下进行分类和定位，与传统的卷积神经网络比较表现出更强的鲁棒性和准确性。

Mar, 2020

本研究提出了 CompositionalNets，一种将深度卷积神经网络和基于部件的模型统一起来的可解释深度体系结构，具有天生的部分遮挡鲁棒性，同时能够将图像分解为对象和上下文，并基于非遮挡部分的对象来识别遮挡对象。实验结果表明，CompositionalNets在分类和检测部分遮挡对象方面比传统的深度卷积神经网络有显著的优势，并可以准确地定位遮挡物。

Jun, 2020

本文引入 OOD-CV 数据集，并发现某些干扰因素有更强烈的负面影响；当前的提高鲁棒性的方法只有微弱的效果，甚至可能削弱鲁棒性；我们的数据集提供了一个丰富的测试床，以研究鲁棒性，并有助于推进这一领域的研究。

Nov, 2021

通过 meta-analysis，我们发现具有良好 OOD 鲁棒性的最佳表现的模型都具有四个共同点，即视觉-语言预训练具有巨大的潜力。

Jun, 2022

我们引入了OOD-CV-v2数据集，其中包括了10个物体类别的姿态、形状、纹理、上下文和天气条件之外的分布数据，以提高图像分类、物体检测和3D姿态估计模型的鲁棒性性能。经过大量的实验，我们发现当前的提高鲁棒性方法只有微小的作用，并且可能会降低鲁棒性；同时，在卷积和transformer架构之间没有明显的差异。

Apr, 2023

本研究解决了缺乏开放集OOD数据的目标检测难题，提出了一种利用大规模开放集数据训练的生成模型来合成OOD样本的新方法SyncOOD。这种方法通过从文本到图像的生成模型中提取有意义的OOD数据，在多项基准测试中显著优于现有方法，建立了新的最先进性能。

Sep, 2024

本研究解决了开放世界环境下的分布外（OoD）分割任务缺乏有效方法的问题。我们提出了一种自适应轻量级未知估计模块（UEM），该模块显著提升了OoD分割性能，同时不会影响原有网络的学习特征表示。研究结果显示，该方法在多个数据集上达到了新的最先进水平，平均精度提高了5.74%，并且假阳性率更低。

Sep, 2024

本研究解决了模型在未见领域中进行泛化的挑战，尤其是在现有的大规模数据集可能导致评估过程不准确的背景下。通过创建严格与ImageNet和DomainNet测试集风格上不重合的大规模数据集，研究揭示了模型性能仍主要依赖于内部示例，这表明过去的OOD泛化问题依然存在。此外，研究确定了不同数据集组合的最佳混合比例，从而提升模型的泛化能力。

Oct, 2024

本研究针对深度学习在处理分布外数据时性能下降的问题，提出了一种新颖的特征去耦合方法，以减少非关键特征之间的虚假相关性，通过正交化类别和背景损失的梯度来实现。此外，研究还优化了神经架构搜索技术，以发现对分布外泛化性能优良的网络架构。结果表明，该方法在不同的分布变化下具有良好的泛化能力。

Oct, 2024