提出了一种新颖的多尺度特征压缩方法，并结合可学习的压缩器和多尺度特征融合网络实现端到端的优化，以及轻型编码器的设计。该方法在对象检测中取得了着眼的性能提升，并且在仅保留 0.002-0.003% 未压缩特征数据量的情况下，仍可以实现接近无损的性能。

Jun, 2023

本文针对之前的距离度量学习算法中存在的一些问题，提出了一种通过分布模型在表示空间中自适应评估相似性，并通过惩罚类别分布重叠实现局部判别的新方法，在多项任务上取得了最新的分类结果，并提高了所学表示的属性集中度和层次恢复能力。

Nov, 2015

本文提出了一种名为 Discernible Image Compression（DIC）的方法，旨在通过追求外观和感知一致性来生成高质量的压缩图像，并利用经过预训练的 CNN 提取原始和压缩图像的特征，同时最小化特征分布之间的差异，实验结果表明使用该方法压缩的图像可被下游的视觉识别和检测模型良好识别。

Feb, 2020

深度模型中的特征压缩与远程推理任务之间的关联性，通过互信息作为特征重要性度量，进行硬选择和软选择实验并与其他方法进行比较，提供多目标分析来深入研究。

May, 2024

通过在同一网络结构下客观比较 end-to-end 距离度量学习与 softmax 分类两种方法提取的特征，我们发现在数据集大小较大时，基于 softmax 分类的特征甚至比最先进的 end-to-end 距离度量学习方法表现更好，表明在评估深度特征的性能时应当妥善考虑基于 softmax 分类的特征。

Dec, 2017

本研究通过理论证明了 MMD 对源域和目标域内类距离进行最大化，并连带减少它们的方差以降低特征可分性；同时分析了内类距离和间类距离的关系，提出了一种新的基于判别性 MMD 的方法，实验表明其在几个基准数据集上的效果优于现有方法。

Jul, 2020

通过充分利用现有的深度神经网络容量，本研究提出了一种改进压缩的方法，通过引导潜在特征学习更丰富和多样化的特征来实现更好的重构效果，并将通道相关的特征去相关损失集成到优化过程中，实验证明该方法在两种传统压缩方法上提高了压缩性能，没有增加额外的复杂性，可以作为类似方法的即插即用的优化方案。

Mar, 2024

该研究提出一种轻型的生成网络，用于提高压缩视频中噪声较多的运动向量的信噪比和准确性，从而实现更具有辨别力的运动提示 (DMC) 表示，并在行动识别任务中进行了联合训练，从而接近于光流使用的高精度；该方法在三个行动识别数据集上进行了广泛的评估，并证实了其有效性。

Jan, 2019

本文提出了一种高效的算法，以一种高效、紧凑的方式从候选项中发现输入特征或分类器的稀疏表示，用于大规模识别，并在训练速度和性能方面显着优于传统方法和强大的分类器，特别是在有限的训练数据的情况下。

Nov, 2014

通过共享特征、对稀疏标注数据进行对称训练并增强时间一致性，该论文提出的深度公共特征挖掘方法在视频语义分割方面取得了良好的平衡性能。

Mar, 2024