- 天文图像的自监督表征学习
使用自监督学习的方式学习天文学中的巨大数据源，通过图像表示的学习，可以在不需要过多标记的情况下获得与使用有监督学习方法获得的结果相当甚至更好的效果，可能可以有效减少标记数量。
- CVPROBoW: 自监督学习在线视觉词袋生成
本文提出了一种基于教师 - 学生模型的在线 BoW 指导下的无监督学习策略，探索了图像的重建方法来学习视觉表示，并在多个任务上实现了前所未有的性能提升。
- 野外视频中的表示学习：以对象为中心的方法
该篇论文提出了一种从未加工过的视频中学习图像表示的方法，该方法将来自现成物体检测器的监督损失和自我监督损失相结合，取得了在 19 个迁移学习任务中有竞争力的结果，其中包括 18/19 的少样本学习任务和 8/8 的数据集泛化任务。
- ICMLSketchEmbedNet: 借助模仿图画学习新概念
通过训练模型产生图像素描，本文探究图像表示的特性，并表明其在 few-shot 学习中具有信息嵌入的能力、结构和复合性。
- CVPR多人动作捕捉的神经场景分解
本文提出一种基于自监督学习的神经场景分解（NSD）方法，通过对多视角数据的学习，用三层信息表示人体姿态，其中包括边界框和相对深度，实例分割掩码和个体化外观信息以及 3D 姿态信息，该方法能够为小规模数据集训练 3D 姿态估计网络提供帮助。
- Graph-RISE: 基于图的图像语义嵌入正则化
本文介绍了一种名为 Graph-RISE 的大规模神经图学习框架，可以训练图像嵌入以区分不同的超精细语义标签，并在图像分类和三元组排名等多个评估任务中优于当前最先进的图像嵌入算法。图 - RISE 在图像检索中有效捕捉了语义，并与最先进的算 - 基于层级结构的图像嵌入方法用于语义图像检索
该研究提出了通过将图像映射到类别嵌入中以学习语义鉴别性特征的方法，从而提高图像检索结果的语义一致性。结果显示在 CIFAR-100，NABirds 和 ImageNet 上，学习到的图像嵌入大大提高了图像检索结果的语义一致性。
- CVPR在最小监督下从嘈杂大规模数据集中学习
本文介绍了一种使用大型包含嘈杂注释图像和少量清洁注释图像联合进行学习的方法，它由一个多任务网络组成，可以在清洁注释的帮助下减少大型数据集中的噪音，并在清洁数据集和带有降噪的完整数据集上进行微调学习，其结果比直接微调方法在 Open Imag - 用于 CT 成像的肺结节检测的循环卷积网络
本文提出了一种利用深度人工神经网络构建的 ReCTnet，旨在全自动检测 CT 扫描中的肺结节，并通过具备表达力的图像表示方法，利用锥体和重复层之间的精细结构、三维概率地图和增强型灵敏度，达到 90.5% 的识别灵敏度和 4.5 个无关假阳 - NIPS域分割网络
通过将图像表示分为两个子空间：一个是每个领域的私有特征，一个是跨领域共享的特征，我们开发的一种新型架构不仅可以让模型在源领域中执行任务，还可以用于重构来自两个领域的图像。该架构不仅在一系列无监督领域适应场景中优于现有技术水平，还能输出私有和 - NIPS利用随机权重的强大生成模型用于深度图像表示
使用未训练的卷积神经网络，创建新的生成模型，用于图像重建、纹理合成和样式转换等深度可视化任务，并发现了新的深度网络结构表示学习的一些特性和规律。
- ECCV聚合深度卷积特征的跨维度加权
通过交叉维度加权和聚合深度卷积神经网络层的输出，提出了一种简单而直接的创建强大图像表示的方法。实验表明，在图像搜索中，该方法优于基于预训练网络的当前最先进的方法，并提供了易于使用的开源实现来重现结果。
- 利用自然前像可视化深度卷积神经网络
本文通过自然感知前像的概念，运用逆向重建，激活最大化和漫画创作等多种可视化技术来研究浅层和深度学习表示，提出了一种正则化能量最小化的框架，可以更准确地反演 HOG 表示，并有效应用于卷积神经网络，其中发现 CNN 的多个层可以保留关于图像的 - CVPR卷积网络反演视觉表征
利用反向卷积神经网络对图像特征表征进行研究，发现即使从初级的表征数据中仍然存在丰富的信息，同时深度网络的特征表征也可被还原并推出其某些特性。
- 深度卷积神经网络的视觉实例检索
本文研究使用卷积网络所提供的图像表示在视觉实例检索任务中的可用性，并通过利用多尺度图像特征提取方案，特别地，通过将几何不变性纳入到明确的位置、尺度和空间一致性中的方法来提取来自于该网络的局部特征，实验结果表明，如果对其进行适当提取，那么通用 - 通过反演深度图像表示来理解它们
本研究旨在探讨如何反推一张图像的视觉信息，发现在 CNNs 的不同层中，层与层之间保留有关图像几何与光度不变性的信息。
- 通过测量等变性和等价性来理解图像表示
本文探讨了图像表示的数学属性，如同变性，不变性和等价性等，提出了多种方法来实现这些属性，并应用到流行的表示中来揭示其结构的有益方面。