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

学习算法在交叉光谱图像块匹配方面取得了有希望的性能，然而在实际应用中仍然存在不足。我们发布了迄今为止最大的可见光和长波红外图像块匹配数据集 VL-CMIM，其中包含 1300 对严格对准的可见光和红外图像，覆盖了包括星际、田地、乡村、建筑、街道和水域等不同场景的超过 200 万个块对。此外，我们提出了一种多域特征关系学习网络（MD-FRN），通过四分支网络提取的特征来学习空间域和尺度域的特征关系。为了更进一步聚合多域关系，我们应用了深度域交互机制（DIM），其中学到的空间关系和尺度关系特征被交换并进一步输入到 MSCRM 和 SCM。通过学习交互式跨域特征关系，我们的模型能够更好地应对不同模态导致的显著外观变化，从而提高了稳健性。

Aug, 2023

本文提出了一种新的图像特征提取器 —— 局部关系层，它基于局部像素对的组合关系自适应地确定聚合权重，从而更高效地将视觉元素组合成更高级别实体，提供更好的语义推理，通过局部关系层构建的神经网络（LR-Net）在大规模识别任务中具有比其卷积网络更大的建模能力，如 ImageNet 分类。

Apr, 2019

本文提出了一种基于深度学习以及低秩表示为基础的图像融合网络构建方法，可以通过学得的模型来引导网络构造，以实现最佳的融合效果。在公共数据集中的实验结果表明，本文所提出的方法比其他现有的方法在融合性能方面具有更好的表现，而且所需的训练参数比其他方法要少。

Apr, 2023

本文提出了一种新颖的图表示学习方法 RGRL，它学习自图本身生成的关系信息，并通过全局和局部两个角度来考虑节点之间的关系，从而克服了以前对比和非对比方法的局限性，取得了最佳结果。

Aug, 2022

本文提出了一种深度关系度量学习（DRML）框架，用于图像聚类和检索。该方法采用可自适应学习的特征集合来建模类内和类间分布，并使用关系模块和图建模在图像上进行关系推理，得到一种关系感知嵌入来测量相似性，从而有效提高了当前深度度量学习方法的效果。

Aug, 2021

本文提出了一种基于 pairwise relational network (PRN) 的人脸识别方法，使用本地外观补丁捕捉局部特征并捕捉不同身份之间独特而具有区分性的成对关系，融合全局特征表示和面部身份状态特征来进一步提高准确性，在 LFW、YTF 和 IJB 数据集上都获得了良好的实验效果。

Aug, 2018

提出了基于全局和局部特征表示的多网络对比学习框架，通过多个网络引入自监督对比学习的全局和局部特征信息，并通过对比由多个网络生成的嵌入对来学习图像不同尺度上的特征信息，并扩展对比样本数，提高了模型的训练效率。在三个基准数据集上的线性评估结果表明，我们的方法优于几种现有的经典自监督学习方法。

Jun, 2023

本文提出一种新的端到端可训练的匹配网络 RF-Net，基于感受野计算图像之间的稀疏对应关系。通过引入感受野来构建特征图，增强关键点检测效果，同时加入邻居掩码来提高描述符训练的稳定性。我们在公开数据集 HPatches 上训练并与其他方法进行了对比，实验结果表明 RF-Net 在多个基准数据集上优于现有的最先进方法。

Jun, 2019

本研究探索了将图像级别与局部级别的判别相结合的自我监督表示学习方法，通过同时观察局部和全局视觉特征来增强学习表示的质量。我们提出了一个简单而有效的补丁匹配算法，借助视觉变换器（ViT）作为骨干网络，从而生成图像级别和补丁级别的表示。结果显示，我们的方法在图像分类和下游任务中表现优于最先进的图像级别表示学习方法。

Oct, 2023