本文提出了一种使用 Automate-CoT 自动扩展和选择合理链来推动 CoT 的方法，该方法通过构建候选池从标签生成的机器理性链中选择多个理性链的最佳组合，以推进大型语言模型的推理能力，并在算术推理、常识推理、符号推理和非推理任务中取得了最先进的结果。

Feb, 2023

本文提出了基于任务驱动的物体检测方法，通过探索基本意义而非物体类别来提取关键属性，并使用多级思维链激励法从大规模语言模型中提取与任务、物体示例和关键视觉属性相关的知识。进一步，我们提出了一种知识条件检测框架 CoTDet，有效利用知识来增强物体识别和定位，并得到支持物体检测的合理解释。实验证明，我们的 CoTDet 方法在性能上显著优于当前最先进的方法（提升 15.6 个方框 AP 值和 14.8 个掩膜 AP 值）。

Sep, 2023

链式思维提示可以引导语言模型进行复杂的多步推理。我们提出了一种考虑演示模式多样性的提示方法，通过在中间步骤中结合步长和推理过程等模式，有效地缓解由演示引起的偏差问题并实现对不同场景的更好泛化。我们在两个开源 LLM 模型上进行了九个推理基准任务的实验，结果表明我们的方法大大提高了推理性能，并且对错误表现出鲁棒性。代码将公开提供。

Apr, 2024

本文提出了 CoT-KA，一种基于思维链的深度学习知识增强方法，将外部知识融入到深度模型中，结果表明在各种推理任务的十一个公开基准测试中，CoT-KA 胜过了传统的 CoT-based 方法和无增强的方法。

Jul, 2023

Camouflaged object detection faces challenges, and this research proposes an adversarial training framework, Camouflageator, to generate more camouflaged objects and improve the detection. They also introduce ICEG, a novel COD method that utilizes internal coherence and edge guidance for better segmentation results. Experimental results show that ICEG outperforms existing detectors, and Camouflageator is flexible in improving various COD detectors, achieving state-of-the-art COD performance.

Aug, 2023

DetCo 是一种创新的对比学习方法，通过充分探索全局图像和局部图像补丁之间的对比，学习有助于目标检测的判别性表示，实验表明其不仅在目标检测方面优于现有方法，在分割，姿态估计和三维形状预测方面也显著优于监督方法。

Feb, 2021

本文提出了一种基于敌对样本的选择性、动态并且与检测器演化相关的数据扩增方法，该方法适用于目标检测模型，能够大幅提高模型的鲁棒性和检测精度。与基于模型无关的自动增广方法相比，在不同的检测模型中，该方法表现更加广泛和稳健。

Mar, 2021

本文采用跨路径一致性学习 (CPC) 的方法，通过增强的解码路径来改进变压器的 HOI 检测，此简单方案使模型学习到一致的表示，从而提高了泛化能力，实验证明了该方法的有效性。

Apr, 2022

提出了一种注意力机制的端到端关键查询方案，该方案使用输入为条件的权重来组装预置组件以生成输入为条件的提示，以解决在不断变化的训练数据中进行学习时出现的过度遗忘问题，并在多个基准测试中大幅提高了准确度。

Nov, 2022

该论文研究了从示范中学习复杂低级控制任务的泛化策略学习，并提出一种新颖有效的方法，将时间抽象和具有规划能力的层次强化学习与模仿学习相结合，基于决策基础模型，利用可扩展的演示来学习具有一致性和结构化的长期行动指导，从而提高了低级操纵任务的性能。

Apr, 2023