提出了一种基于深度神经网络的医学图像分割方法，通过引入 ' 拐杖 ' 网络连接以获得精细的密集预测，并采用自适应深度监督训练策略以提取鲁棒特征。通过在网络解码器的每个上采样阶段引入 ' 拐杖 ' 连接，增强了目标定位和分割性能，并通过匹配网络的有效感受野来指导辅助监督位置的选择，从而实现了对特定输入特征的注意。在 4 个不同模态的多样数据集上验证了该方法的有效性。
Feb, 2024
提出一种双重动态推理框架，采用多粒度学习以及资源依赖的动态推理机制，优化计算资源和预测精度之间的权衡，有效降低计算资源消耗，通过实验验证其优越性。
Jul, 2019
通过使用层次离散分布生成多个离散样本点，逐渐拟合目标分布，这种离散分布的层次输出模式赋予了 DDN 两个有趣的特性：高度压缩表示和更一般的零样本条件生成。我们通过在 CIFAR-10 和 FFHQ 上进行实验验证了 DDN 及其有趣特性的有效性。
Dec, 2023
本文提出了一种基于卷积神经网络和循环神经网络的框架，用于多标签图像分类，通过学习图像标签嵌入特征，显式地利用了图像标签之间的关联性，拥有较好的分类性能。
Apr, 2016
本论文提出了一种区域潜在语义依赖模型，该模型使用卷积神经网络和递归神经网络相结合，能够有效预测多标签图像分类中小物体和视觉概念，同时不需要使用边框注释实现最佳性能。
Dec, 2016
通过将神经网络和统计结构学习模型相结合，我们提出了一种混合方法，通过从多变量数据中自主学习依赖关系并构建动态变化的依赖图，从而实现了在缺乏明确定义图的情况下利用图神经网络进行多变量预测。在真实世界的基准数据集上，我们的方法显著提高了性能。
本文提出一种基于贝叶斯网络结构学习的方法，用于无监督结构学习深度神经网络，通过生成图，构建其随机反向，然后构建一个判别图，证明生成图的潜变量之间的条件依赖关系在条件 “分类条件下” 丢失在判别图，从而实现通用网络深层（卷积和密集）的学习结构替代，在保持分类准确性的同时显著减少计算成本。
Jun, 2018
我们提出了一个名为 MaDL 的概率训练框架，其中联合训练了一个基础真实模型和一个注释者模型来解决多注释者监督学习中存在的嘈杂标签问题，并获得了最先进的性能。
Apr, 2023
该文提出了一种基于长距离依赖的多层感知机模型，通过使用自动化的搜索方法发现有效的元路径，从而解决了现有异构图神经网络模型在处理稀疏异构信息网络时计算和存储开销过高的问题，并且在相应的异构数据集上取得了当时最好的性能和高效性。
Jul, 2023
该论文提出了一种基于无标签干扰数据集训练深度卷积神经网络的新型框架，并使用一个无向图模型来描述干净和嘈杂标签之间的关系，在监督学习过程中学习这个模型。该模型在图像标注问题上应用，并在 CIFAR-10 和 MS COCO 数据集上展示出有效的标注效果和在训练中实现了减少标签噪声的效果。
May, 2017