- AAAI将电子邮件分类为人类与机器类别
该研究提出利用深度学习模型对电子邮件按主题分类，使用四个 CNN 模型来提高模型性能和精确度，进而将模型应用于 Yahoo 邮件系统中。
- WWW基于类别判别剪枝的联邦遗忘
本文研究了在联邦学习中，通过实现 Term Frequency Inverse Document Frequency (TF-IDF) 对不同分类通道进行量化刻画，进而实现非对称遗忘（category forgetting）的目的，而不需要 - CVPR自适应目标检测的领域特定抑制
该研究提出了一种新的 CNN 模型迁移多样性学习的方法，将权重视为一系列运动模式，通过抑制特定领域的干扰，并集中在领域不变方向上，成功地在多个对象检测任务中实现了显著的性能提升。
- CVPRAutoFlow: 学习更好的训练集，用于光流预测
AutoFlow 是一个简单而有效的方法，通过可学习超参数控制每一层的运动、形状和外观，优化模型在目标数据集上的表现，可以渲染用于光流训练的合成数据，并在 PWC-Net 和 RAFT 的预训练中达到最先进的精度。
- DVERGE: 增强集合模型的多样化漏洞生成
研究发现，针对图像分类的 CNN 模型存在重叠的对抗性漏洞，DVERGE 通过提取非鲁棒特征并使对抗性漏洞多样化，实现了针对转移攻击的高鲁棒性。
- ICLR玉米青贮中核片段识别模型选择评估
在深度学习系统的设计中进行模型选择可能是一项具有挑战性的任务，本文研究了一系列卷积神经网络模型来衡量谷物青贮中核碎片的大小，并通过评估多个特征提取器和图像尺寸来确定最佳模型设计选择，从而平衡模型复杂度、精度和速度，实现了提高模型性能和降低推 - 基于语境的情感识别：使用 EMOTIC 数据集
本研究提出一个多元感情图像数据集 EMOTIC，并通过 bounding box 、场景语境等方法训练多种卷积神经网络模型，结果表明场景语境对自动识别情感状态提供了重要信息，为情感识别领域的研究提供了新思路。
- CVPR超分辨率通用风格转换的协同蒸馏
本文提出了一种名为协作蒸馏的知识蒸馏方法，通过编码器 - 解码器神经网络实现通用的风格迁移，并在不损失性能的情况下将卷积滤波器个数大幅降低。
- KDDAI for Earth: 通过声学监测进行雨林保护
利用声学监控和机器学习技术，提出一种创新方法来帮助保护雨林。通过引入新的卷积神经网络模型来进行环境声音分类，该模型在两个数据集上取得了良好的初步结果，这些模型可在自动化机器学习范式下轻松扩展，并集成到基于云的服务中进行实际部署。
- ICCV广义覆盖下的曲面网络
本研究通过开发一种新的表面到图像表示方法，成功地在几何数据分析中应用了卷积神经网络，以达到在形状检索、形状分类和语义形状分割等任务上取得了最先进的结果或相当的结果的目标。
- 卷积神经网络图像分类的诀窍
本文探讨了图像分类模型训练过程中的一些改进方法，如数据增强和优化方法的变化，通过实验证明这些改进方法的整合能够显著提高 CNN 模型的准确性，在 ImageNet 上，我们将 ResNet-50 的 top-1 验证准确率从 75.3% 提 - EMNLP超级角色：从情感分类到图像分类的转换
我们提出了一种名为 Super Characters 的方法用于情感分类，它将文本转换成图像并使用 CNN 模型进行分类，无需将单词或字符嵌入数值向量表示。在四种不同语言包括中文，日语，韩语和英语的十个社交媒体数据集上，Super Char - IJCAI图像分类的组合软间隔 softmax 损失
提出了一种新的损失函数，EM-Softmax，用于训练 CNN 模型的分类任务，以解决 softmax loss 在特征区分度和分类器弱点方面的局限性，并使用 Hilbert-Schmidt 独立性准则构建弱分类器的集合，通过实验验证其优于 - ECCV多级激活用于层级嵌套类别的分割
本研究提出一种新颖的方法，通过多层激活层和三种兼容的损失来编码基于拓扑学的先验信息，以解决生物图像分割任务中的问题，并在 2018 年的 Data Science Bowl 挑战中验证了该方法的效果，可以大幅提高分割的 Dice 分数。
- 非局域强化卷积神经网络图像去噪
该研究提出了一种基于非局部稀疏性的深度卷积神经网络去噪范式，结合了卷积神经网络和非局部滤波器，证明了在大型灰度图像数据集上具有最先进的性能。
- 前瞻声纳图像识别中卷积网络的最佳实践
本文评估了卷积神经网络设计人员需要做出的三个常见决策对 CNN 的影响，证实了使用 SVM 的迁移学习在小数据集情况下非常有效，同时表明使用 ADAM 优化器和批量归一化可以使得即便在图像尺寸较小的情况下也可以获得高精确度的 CNN 分类器 - 利用神经注意模型对放射学报告进行分类
本文提出了一种新颖的神经注意机制，采用了双注释数据集和深度学习模型来分类放射学头部计算机断层摄影报告，并使用注意力分析生成热力图以突出 CNN 模型使用的关键单词，证明该模型在医学决策等方面具有应用价值。
- ICCVThiNet：一种用于深度神经网络压缩的滤波器层剪枝方法
ThiNet 是一种快速压缩 CNN 模型的框架，通过统计信息计算从下一层获取关键信息来剪枝，可实现 FLOPs 减少和模型压缩。实验结果表明，即使对于紧凑网络，ThiNet 也能减少一半以上的参数和 FLOPs，牺牲不到 1% 的精度。
- 一种基于熵的 CNN 压缩剪枝方法
本研究提出了一种基于熵的滤波器重要性评估方法，使用该方法来加速和压缩现有的卷积神经网络模型，并通过对过滤器进行快速修剪和精细调整来优化模型的计算性能和泛化能力，以在 ILSVRC-12 基准测试中取得了良好的性能表现，能够在不牺牲模型精度情 - ICCVGrad-CAM: 基于梯度的定位，通过深度网络提供视觉解释
该论文提出了 Gradient-weighted Class Activation Mapping (Grad-CAM) 技术，结合细粒度的可视化方法，通过对 CNN 模型中任意目标概念的梯度进行处理，使得决策更加透明和可解释，同时能够定位