提出了一个目标函数，其中结合了检测似然和先验条件，最小化中心线或表面的曲率，用于同时检测和描绘细结构，具有亚像素定位和实值方向估计。

Jun, 2015

本文提出了基于高斯混合模型的通用图像反问题求解框架，并描述了一种具有结构稀疏估计的框架的双重数学解释，该解释表明所得到的分段线性估计在稳定估计当与传统稀疏反问题技术相比，同时还建议了一种有效的基于词典的初始化方法，该算法在图像修复、放大和去模糊等多个图像反问题中，产生的结果要么相等，要么比最佳结果好得多，要么仅略微差强人意，并且计算成本更低。

Jun, 2010

通过改进的随机 Hough 变换技术，我们通过线性特征和空间分布来解决 UAV 图像中传输线路的检测准确度低和误报率高的问题，通过使用 Hessian 矩阵进行初始预处理和边界搜索和像素行分割来与背景进行区分，我们成功减少了误报和漏检，从而提高了传输线路识别的准确性。实验证明，与传统和随机 Hough 变换方法相比，我们的方法不仅处理图像更迅速，而且检测结果更好。

Feb, 2024

本文提出一种利用 Hough 变换将深度学习特征转换为参数化域进行线条检测的方法，可提取上下文特征并比现有方法的性能更优。

Mar, 2020

提出了一种基于高斯混合模型的复合批量归一化方法来解决长尾数据分布下神经网络中特征标准化的问题，并通过使用类感知分裂特征标准化的双路径学习框架来多样化估计高斯分布，以更全面地适应训练样本的处理方式。在多个普遍使用的数据集上的广泛实验表明，该方法在长尾图像分类上优于现有方法。

Dec, 2022

研究基于极大似然原理的迭代算法 —— 期望最大化算法（EM）在统计模型中的参数估计，发现其仅能保证收敛于似然函数的极值点而非最大值点，尤其针对包含两个高斯分布混合的模型进行具体分析，最终建立了 EM 算法的统计一致性。

Aug, 2016

在分布式数据中，通过结构化数据进行 EM 估计的集群结构可有效提高学习方案，最多需要 O (1) 次迭代以达到相同的统计准确性，只要 m 按照 e^{o (n)} 增长。

Aug, 2023

使用积分变换进行层析变换中复杂背景图像的线段检测，提出一种方法用于自动检测灰度和二值图像中的粗线性结构，此方法通过计算待调查图像的 Hessian 方向来突出线性结构并减少不相关峰值，实验证明该方法对噪声和复杂背景具有鲁棒性。

Nov, 2023

本文提出了一种基于高维 Expectation Conditional Maximization 算法的、能够在估计异构性图模型的同时学习群集结构的方法，通过在条件极大化步骤中施加联合图套索惩罚来提取所有群集中的同质性和异质性组件来实现学习群集结构，算法具有计算效率并且可以在不需要无监督学习知识的情况下实现，并通过广泛实验和应用于 Glioblastoma 癌症数据集揭示了对 Glioblastoma 癌症的新见解。

Nov, 2016

线性估计问题中，我们建立了一个高斯 - 马尔可夫定理的扩展，其中偏置算子允许非零但相对于 Schatten 类型的矩阵范数保持有界。我们导出了核范数和谱范数（弗罗贝尼乌斯范数情况下回收岭回归）的最优估计器的简单和明确公式。此外，我们在多个随机矩阵集合中分析地导出了广义误差并与岭回归进行比较。最后，我们进行了大量模拟研究，结果显示交叉验证的核范数和谱范数回归器在某些情况下能胜过岭回归。

Nov, 2023