- 基于潜在类别识别的长尾图像分类 LCReg
通过深度学习技术，本研究提出了一种新的长尾图像识别方法，通过学习共享的隐含特征来改进特征表征，并在这些特征上进行语义数据增强，以提高训练样本的多样性，显著改善了基线模型。
- 利用轻量级注意力机制增强乳腺癌分类的迁移 ResNet
深度学习模型已经通过学习原始像素数据中的复杂特征层次结构，革新了图像分类。本文介绍了一种基于 ResNet 模型的图像分类方法，并引入了一个轻量级的注意力机制框架来提高性能。该框架优化了特征表示，增强了分类能力，并提高了特征的判别性。我们在 - ICCV基于方向感知的累加卷积网络的自监督单目深度估计
我们提出了一种新的方向感知积分卷积网络 (DaCCN)，通过方向感知模块来调整特征提取，提高了不同类型信息的编码能力，并设计了一种新的累积卷积来提高对重要环境信息的聚合效率，实验证明我们的方法在 KITTI、Cityscapes 和 Mak - 基于深度卷积神经网络和格里曼角场的心电图分类
该研究提出了一种新的特征表示方法，将时间频率 1D 向量转换为 2D 图像，并利用卷积神经网络对转换后的心电信号进行分类，从而提高了分类性能并帮助识别和可视化心电信号的时间模式，具有诊断和治疗心血管疾病以及检测异常的重要意义。
- 基于曲率的变换器用于分子性质预测
基于曲率的 Transformer 通过引入离散化的里奇曲率来改进图变换器神经网络模型对分子图数据中的结构信息的提取能力，通过将图的曲率信息作为位置编码添加到节点特征中进行注意力计算，这种方法能够在不改变原有网络架构的情况下引入图数据的曲率 - 基于耦合与解耦的自然语言到 SQL 生成的特征表示学习
本文提出了一种称为 CFCDC 模型的方法，使用特征表示解耦方法来区分 SELECT 和 WHERE 子句和一种多任务学习架构用于解耦不同 SQL 任务之间的内在相关性特征，提出了一种改进的特征表示耦合模块以集成 SELECT 和 WHER - 聚类补丁元素连接在少样本学习中的应用
研究了少样本分类任务中的弱特征表示问题，提出了一种新的 Clustered-patch Element Connection（CEC）层来解决这个问题，并使用 CECNet 在分类基准上取得了最先进的性能。
- CVPR3D 半监督目标检测的分层监督和洗牌数据增强
介绍了一种新颖的 hierarchical supervision 和 shuffle data augmentation 方法，它通过设计动态双阈值策略产生更合理的监督信号来加强学生网络的训练，并通过洗牌数据增强策略来增强学生网络的功能特 - CVPR扩展实例特定和类别特定信息以进行开放式动作识别
本文提出了一种新的框架 —— 基于原型相似性学习（PSL），该框架通过在特征中保留实例和类的信息来提高开放集行动识别问题的性能，并引入了视频洗牌来增加类特定信息。
- BenchDirect: 用于编译器基准测试的定向语言模型
本文提出了 BenchPress 和 BenchDirect，利用机器学习编译器生成基准测试案例，能够在源代码特征表示内定向生成可执行的函数，通过主动学习向已有数据集中引入具有未见过特征的新基准测试案例，成功地针对 Rodinia 的基准测 - WSDMCL4CTR: 用于 CTR 预测的对比学习框架
本文提出了一种基于自监督学习的 Click-Through Rate (CTR) 预测框架 (CL4CTR)，采用三种自监督学习信号作为特征表征学习的正则化项以提高 CTR 预测性能，并在四个数据集上实验证明其与各种代表性基线相比具有卓越的 - 基于预训练图像特征的医学图像检索通过最近邻搜索实现
本文提出了一种名为 DenseLinkSearch 的高效率医学影像最近邻检索算法，并探讨了在医学影像检索任务中基于内容的特征表示技术，在 CLEF 2011 医学影像检索任务中基于转换器的特征表示技术的表现超过了现有的预训练转换器方法。
- ECCV重新思考细粒度嘈杂人脸下的鲁棒表征学习
本文提出了一种名为 Evolving Sub-centers Learning 的新方法，通过对大规模嘈杂人脸图像的潜在空间进行准确的描述，解决了算法在不同 N、K 和 C 下的灵活性带来的问题，并在合成嘈杂数据集上通过详细的消融研究证明了 - TraSE：从认知科学的角度来解决作者风格问题
本文通过采用基于轨迹的风格估计算法，提出了一种新的特征表示法，成功地解决了作者风格识别领域中遇到的主题影响、无法有效鉴别大量作者和需要大量多样化数据的问题，并在跨领域的场景中筛选超过 27,000 个作者和 1.4 万个样本进行了作者归属实 - 用特征可分性提高对抗训练
本篇论文旨在探究防御对抗攻击的神经网络算法，在研究中发现传统的对抗训练没有学习到更好的特征表示方法，同时也存在过度拟合和泛化性能差的问题。为解决这些问题，引入了对抗训练图（ATG）的概念，提出基于 ATG 的对抗训练与特征可分性（ATFS） - CVPRMedusa: 基于注意力多任务的通用特征学习
本文提出了 Medusa 方法，利用双注意力机制的任务头设计来实现通用特征学习，可以提高 13.18％的效率而且保持多任务学习的性能，比之前的方法高 25％的效率。
- CVPRR (Det)^2：面向物体检测的随机决策路由
本文提出了一种基于决策树和深度神经网络的端到端学习方法，用于改进物体检测的决策头问题，通过使用软决策树来拆分决策选择和预测值，并引入加权策略和关联损失实现了有效的学习，同时还使用狭窄的分支来生成路由概率和掩码，从不同节点获得不同的决策，并在 - IJCAI基于元学习的信息图增强引导方法
本文提出通过可学习的图形增强器 MEGA 来生成具有均匀性和信息性的图形增强，有效提高了自我监督学习任务中图形对比学习方法的特征表示能力，并通过多个基准数据集的实验证明了其优越性。
- 通过信息交互学习面向目标的视觉跟踪表示
本文介绍了一种新的骨干架构，使用交互模型器对 Siamese-like 骨干网络中不同阶段注入参考图像的先验知识，从而提高了特征表征的目标感知能力和鲁棒性，适用于不同的骨干类型的改进。
- PRA-Net: 面向 3D 点云分析的点关系感知网络
提出了一种名为 PRA-Net 的新型架构，包含 Intra-region Structure Learning（ISL）模块和 Inter-region Relation Learning（IRL）模块，用于强化点云分析的特征表示，既可以