Viraliency: Pooling Local Virality
University of Trento（特伦托大学）；INRIA Grenoble（法国国家信息与自动化研究所格勒诺布尔中心）；University of Perugia（佩鲁贾大学）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）
在我们这个过度连接的世界中，自动识别病毒性--在社交网络中快速广泛传播的图像或视频的质量--至关重要，最近已经唤醒了计算机视觉社区的兴趣。同时，深度学习架构的最新进展表明，全局池化策略允许提取激活图，激活图突出显示图像中最有可能包含某个类的实例的部分。我们通过引入一个池化层来扩展这个概念，该池化层学习要平均的支持区域的大小：学习的前N平均（LENA）池化。我们假设，描述病毒式传播的潜在概念（特征图）可能需要这样一个丰富的池化策略。我们通过将LENA层附加到卷积连体架构之上来评估其有效性，并评估其在预测和定位病毒式传播的任务上的性能。我们报告了两个公共可用的数据集上的实验，并说明我们的方法优于最先进的方法。
2017-03-15 cs.CV
Dense U-net for super-resolution with shuffle pooling layer
Jiangnan University（江南大学）
随着计算机视觉领域深度学习技术的发展，近年来单图像超分辨率研究取得了很大进展。在这些方法中，在特征提取之前，使用单个滤波器（通常为最大池化）将高分辨率输入图像缩小到低分辨率空间。这意味着特征提取是在有偏滤波的特征空间中执行的。我们证明，这是次优的，并导致信息丢失。在这项工作中，我们提出了一种最先进的卷积神经网络方法，称为具有洗牌池的密集U网。为了实现这一点，一个修改的U-网与密集块，称为密集U-网，提出了SISR。在此基础上，设计了一种新的池化策略--洗牌池化策略，以取代稠密U网进行下规模操作。通过这样做，我们有效地用专门为每个特征图训练的更多有损下采样滤波器替换了SISR管道中的手工滤波器，同时还减少了整个SISR操作的信息丢失。此外，提出了一种结合均方误差（MSE）、结构相似性指数（SSIM）和平均梯度误差（MGE）的混合损失函数，以减少感知损失和高层信息损失。我们所提出的方法实现了优越的准确性比以前的国家的最先进的三个基准数据集：SET 14，BSD 300，ICDAR 2003。代码可在线获取。
2021-01-09 cs.CV eess.IV
A Synergistic CNN-Transformer Network with Pooling Attention Fusion for Hyperspectral Image Classification
College of Engineering（工程学院）；School of Electronic Information and Communications（电子信息与通信学院）；Changchun Institute of Optics, Fine Mechanics and Physics（长春光学精密机械与物理研究所）；School of Computer Science and Technology（计算机科学与技术学院）；School of Intelligent Manufacturing and Electrical Engineering（智能制造与电气工程学院）
本文提出一种协同CNN-Transformer网络，通过双分支特征提取模块和混合池化注意力模块，有效融合空间和光谱信息，提升超光谱图像分类性能。
2026-04-26 cs.CV
Crystal Loss and Quality Pooling for Unconstrained Face Verification and Recognition
University of Maryland（马里兰大学）；UMIACS（马里兰大学高级计算机研究所）
近年来，基于深度卷积神经网络（DCNN）的人脸验证和识别系统的性能得到了显著提高。用于人脸验证的典型管道包括训练深度网络以进行具有softmax损失的主题分类，使用倒数第二层输出作为特征描述符，并在给定一对人脸图像或视频的情况下生成余弦相似性得分。softmax损失函数不会优化特征，使其对正对具有更高的相似性得分，对负对具有更低的相似性得分，这导致性能差距。在本文中，我们提出了一个新的损失函数，称为晶体损失，限制的功能，躺在一个固定半径的超球面。使用现有的深度学习框架可以很容易地实现这种损失。我们表明，将这个简单的步骤集成到训练管道中可以显着提高人脸验证和识别系统的性能。我们在具有挑战性的LFW，IJB-A，IJB-B和IJB-C数据集上实现了最先进的人脸验证和识别性能，误报率范围很大（10-1至10-7）。
2019-02-04 cs.CV
DC-SPP-YOLO: Dense Connection and Spatial Pyramid Pooling Based YOLO for Object Detection
Beijing University of Chemical Technology（北京化工大学）
虽然YOLOv 2方法在目标检测上非常快速，但是由于其骨干网络的低性能和多尺度区域特征的未充分利用，其检测精度受到限制。为此，本文提出了一种基于密集连接（DC）和空间金字塔池（SPP）的YOLO（DC-SPP-YOLO）方法来提高YOLOv 2的目标检测精度。具体地说，在YOLOv 2的主干网络中采用卷积层的密集连接，以加强特征提取并缓解梯度消失问题。此外，还引入了一种改进的空间金字塔池，对多尺度区域特征进行池化和拼接，使网络能够更全面地学习目标特征。基于均方误差损失和交叉熵损失组成的新的损失函数建立和训练DC-SPP-YOLO模型。实验结果表明，DC-SPP-YOLO算法在PASCAL VOC数据集和UA-DETRAC数据集上的mAP（mean Average Precision）值高于YOLOv 2算法。证明了DC-SPP-YOLO方法的有效性。
2022-09-04 cs.CV
A Multistage Extraction Pipeline for Long Scanned Financial Documents: An Empirical Study in Industrial KYC Workflows
OCBC
本文提出多阶段提取框架，整合图像预处理、多语言OCR、混合页面级检索和紧凑VLM基于结构化提取，提升复杂多页文档的提取精度，实验证明在工业KYC工作中性能优于直接PDF到VLM基线。
2026-04-29 cs.CV
Learnable Discrete Wavelet Pooling (LDW-Pooling) For Convolutional Networks
National Yang Ming Chiao Tung University（阳明交通大学）；University at Albany - SUNY（奥尔巴尼大学 - 纽约州立大学）；University at Buffalo（布法罗大学）
池化是现代深度CNN架构中用于特征聚合和提取的简单但必不可少的层。典型的CNN设计集中在卷积层和激活函数上，而池化层的选项较少。我们介绍了学习离散小波池（LDW-Pooling），它可以普遍应用于取代标准池操作，以更好地提取特征，提高准确性和效率。受小波理论的启发，我们在二维特征图上采用水平和垂直的低通（L）和高通（H）滤波器进行池化。特征信号被分解为四个（LL，LH，HL，HH）子带，以更好地保留特征，避免信息丢失。小波变换确保池化后的特征可以完全保留和恢复。接下来，我们采用基于能量的注意力学习来精挑细选关键和代表性的特征。LDW-Pooling与其他最先进的池化技术（如WaveletPooling和LiftPooling）相比是有效和高效的。广泛的实验验证表明，LDW-Pooling可以应用于广泛的标准CNN架构，并始终优于标准（最大值，平均值，混合和随机）池化操作。
2021-10-20 cs.CV cs.LG eess.IV
Unlearnable Faces: Privacy Protection Surviving Extraction Pipeline
Chung-Ang University（中央大学）
研究如何防止公开照片被人脸识别模型学习，提出LPID方法，将提取纳入不可学习示例目标，优化扰动并限制在面部区域，使攻击者准确率低，在多种评估设置下表现优且保持不可察觉。
2026-07-08 cs.CV
A Novel Dual-pooling Attention Module for UAV Vehicle Re-identification
Shandong University of Science & Technology（山东科技大学）；Beijing University of Chemical Technology（北京化工大学）
针对无人机高空拍摄导致车辆局部特征减少的问题，提出双池化注意力模块，通过通道和空间双分支结合多种池化操作提取并增强细粒度信息，联合损失训练，在VeRi-UAV和VRU数据集上验证了有效性。
2023-06-25 cs.CV
PVAFN: Point-Voxel Attention Fusion Network with Multi-Pooling Enhancing for 3D Object Detection
College of Computer Science and Technology, Taiyuan University of Technology（太原理工大学计算机科学与技术学院）；Key Laboratory of Machine Perception, Peking University（北京大学机器感知实验室）；University of Pisa（比萨大学）；University of Trento（特伦托大学）
提出两阶段3D目标检测器PVAFN，通过点-体素注意力机制自适应融合点云与BEV特征，并引入多池化增强模块整合多尺度局部与全局信息，在KITTI和Waymo数据集上取得竞争力性能。
2024-08-26 cs.CV
Design and Implementation of an OCR-Powered Pipeline for Table Extraction from Invoices
本文设计并实现了一种基于Tesseract OCR的流水线，通过动态预处理、表格边界检测和行列映射，从扫描发票中高效提取结构化表格数据，显著提升准确性与一致性，适用于自动化财务和数字归档。
2025-07-09 cs.AI cs.CV
RPT++: Customized Feature Representation for Siamese Visual Tracking
虽然近年来在视觉跟踪的特征表示方面取得了显着进展，但分类和回归任务之间的特征不对齐问题在很大程度上被忽视了。在大多数先进的跟踪器中，特征提取的方法对于这两个任务没有区别。我们认为，视觉跟踪的性能增益是有限的，因为从显著区域提取的特征提供了更多的可识别的视觉模式分类，而这些周围的边界有助于准确地估计目标状态。我们通过提出两个自定义的特征提取器来解决这个问题，命名为极池和极端池来捕获特定于任务的视觉模式。极池化的作用是丰富从语义关键点收集的信息，以实现更强的分类，而极端池化有助于对象边界的明确视觉模式，以实现准确的目标状态估计。我们证明了特定于任务的功能表示的有效性，将其集成到最近和先进的跟踪器RPT。在多个基准测试上进行的大量实验表明，我们基于自定义特征的RPT（RPT++）在OTB-100、VOT 2018、VOT 2019、GOT-10 k、TrackingNet和LaSOT上实现了最新的性能。
2022-04-26 cs.CV
DDU-Net: Dual-Decoder-U-Net for Road Extraction Using High-Resolution Remote Sensing Images
Beijing University of Posts and Telecommunications（北京邮电大学）；Beijing Institute of Technology（北京理工大学）；National and Kapodistrian University of Athens（雅典国立卡波季斯特里安大学）；China Aero Geophysical Survey and Remote Sensing Center for Natural Resources（中国自然资源航空物探遥感中心）；La Trobe University（乐卓博大学）
从高分辨率遥感图像（HRSI）中提取道路在自动驾驶、路径规划和道路导航等各种应用中至关重要。由于道路的形状细长，加上植被和建筑物的阴影，小型道路更难辨认。为了提高HRSI中多种尺寸道路共存时小尺寸道路提取的可靠性和准确性，提出了一种增强型深度神经网络模型--双解码器U网（DDU-Net）。受U-Net模型的启发，增加了一个小的解码器，形成一个双解码器结构，以获得更详细的特征。此外，我们在编码器和解码器之间引入了扩张卷积注意模块（DCAM），以增加感受野，并通过级联扩张卷积和全局平均池化来提取多尺度特征。卷积块注意力模块（CBAM）也嵌入在并行扩张卷积和池化分支中，以捕获更多的注意力感知特征。在Massachusetts Roads数据集上进行了大量实验，实验结果表明，所提出的模型在平均Intersection over Union（mIoU）中分别比最先进的DenseUNet，DeepLabv 3+和D-LinkNet高出6.5%，3.3%和2.1%，在F1得分中分别高出4%，4.8%和3.1%。烧蚀和热图分析，以验证所提出的模型的有效性。
2022-01-18 cs.CV
Fuzzy Pooling
University of Thessaly（色萨利大学）
卷积神经网络（CNN）是典型地基于两个操作的人工学习系统：卷积，其通过滤波实现特征提取，以及池化，其实现降维。池化对CNN分类性能的影响已经在以前的几项工作中得到了强调，并且已经提出了各种替代池化算子。然而，只有少数几个处理通过卷积从输入层自然传播到隐藏层的特征图的不确定性。在本文中，我们提出了一种新的池化操作的基础上（1型）模糊集，以应付局部不精确的特征映射，我们研究其性能的背景下，图像分类。模糊池是通过特征图邻域的模糊化、聚集和去模糊化来执行的。它用于构建模糊池化层，该模糊池化层可用作CNN架构的当前清晰池化层的直接替代。使用公开数据集的几个实验表明，所提出的方法可以提高CNN的分类性能。比较评估表明，它优于国家的最先进的汇集方法。
2022-02-12 cs.AI cs.CV cs.LG
Automatic Information Extraction from Piping and Instrumentation Diagrams
TCS Research（塔塔咨询服务公司研究部）；New Delhi, India（印度新德里）
表示工程原理图的最常见模式之一是管道和仪表图（P& ID），它描述了工程工艺流程以及互连工艺设备的布局。多年来，P&ID图一直是手动生成、扫描并存储为图像文件。这些文件需要进行数字化，以便进行库存管理和更新，并便于参考原理图的不同组成部分。有几个具有挑战性的视觉问题与数字化现实世界的P&ID图。现实世界的P& ID有几种不同的分辨率，并且通常包含嘈杂的文本信息。从这些图表中提取仪表信息涉及到对符号的准确检测，这些符号之间经常存在微小的视觉差异。识别可能在图像中不同点汇合和分叉的管道是另一个令人关切的问题。由于这些原因，据我们所知，没有系统已经提出了从P&ID图的端到端的数据提取。然而，随着深度学习的出现及其在视觉领域取得的巨大成功，我们假设现在可以用最新的深度学习模型重新审视这个问题。为此，我们提出了一种新的管道，通过传统视觉技术和最先进的深度学习模型相结合，从P&ID表中提取信息抽取，以识别和隔离管道代码、管道、入口和出口，并检测符号。然后将检测到的组件与适当的管道相关联。所提取的管线信息用于填充树状数据结构以捕获管道示意图的结构。我们评估了所提出的方法在一个真实世界的数据集的P&ID表从石油公司，并取得了可喜的成果。
2019-01-28 cs.CV
MAP-Net: Multi Attending Path Neural Network for Building Footprint Extraction from Remote Sensed Imagery
Southwest Jiaotong University（西南交通大学）；Central South University（中南大学）
由于建筑物结构复杂、尺度多样、外观多样，如何从大量遥感影像中准确、高效地提取建筑物足迹仍然是一个挑战。现有的基于卷积神经网络（CNN）的建筑物提取方法被抱怨它们不能检测微小的建筑物，因为在CNN的重复池化操作期间，CNN特征图的空间信息丢失，并且大型建筑物仍然具有不准确的分割边缘。此外，由CNN提取的特征总是局部的，这受到各自领域的大小的限制，并且具有低纹理的大规模建筑物在提取时总是不连续和多孔的。提出了一种新的多关注路径神经网络（MAP-Net），用于精确提取多尺度建筑物足迹和精确边界。MAP-Net通过多个并行路径学习空间定位保持的多尺度特征，其中每个阶段逐渐生成以提取具有固定分辨率的高级语义特征。然后，注意力模块自适应地从每个路径中挤压通道特征以进行优化，金字塔空间池化模块捕获全局依赖性以细化不连续的建筑物足迹。实验结果表明，MAP-Net在边界定位精度和大型建筑物的连续性方面优于SOTA算法。具体而言，与最新的HRNetv 2相比，在Urban 3D、Deep Globe和WHU数据集上，我们的方法分别实现了0.68%、1.74%、1.46%的精度和1.50%、1.53%、0.82%的IoU分数提高，而没有增加计算复杂性。TensorFlow实现可在https://github.com/lehaifeng/MAPNet上获取。
2020-09-30 cs.CV
Cross-convolutional-layer Pooling for Image Recognition
The University of Adelaide（阿德莱德大学）
最近的研究表明，在大型图像数据集上预训练的深度卷积神经网络（DCNN）可以用作通用图像描述符，并且这样做可以为各种图像分类任务带来令人印象深刻的性能。这些研究中的大多数采用来自单个DCNN层（通常是全连接层）的激活作为图像表示。在本文中，我们提出了一种新的方法来提取图像表示从两个连续的卷积层：一层是用于本地特征提取和其他作为指导池提取的特征。通过采用卷积层的不同观点，我们进一步开发了两种方案来实现这一想法。第一个直接使用来自DCNN的卷积层。第二种方法将预训练的CNN应用于密集采样的图像区域，并将每个图像区域的全连接激活视为卷积特征激活。然后，我们在其上训练另一个卷积层作为池化指导卷积层。通过将我们的方法应用于三个流行的视觉分类任务，我们发现我们的第一个方案往往表现得更好的应用程序，需要在小区域内的微妙的对象模式，而后者擅长的情况下，需要区分类别级别的模式。总的来说，所提出的方法实现了优于现有的从DCNN提取图像表示的方法的性能。
2016-12-22 cs.CV
Colour Extraction Pipeline for Odonates using Computer Vision
Leiden Institute of Advanced Computer Science (LIACS)（莱顿先进计算机科学研究所）；Leiden University（莱顿大学）；Naturalis Biodiversity Center（自然历史博物馆生物多样性中心）
本文提出利用深度神经网络提取蜻蜓身体部位颜色的方法，通过有限标注数据和伪监督数据训练，实现对蜻蜓各部位的分割与颜色提取，为生态关联分析提供数据支持。
2026-04-20 cs.CV
Spatial-Assistant Encoder-Decoder Network for Real Time Semantic Segmentation
本文提出SANet，通过融合编码器-解码器与双路径架构，并引入APPPM和SAD注意力模块，在Cityscapes和CamVid数据集上同时实现了高精度与实时推理速度。
2023-09-19 cs.CV
PyCellMech: A shape-based feature extraction pipeline for use in medical and biological studies
Sorbonne Université（索邦大学）；Paris Brain Institute（巴黎脑研究所）；ICM, CNRS, Inria, Inserm（ICM、法国国家科学研究中心、法国国家信息与自动化研究所、法国健康与医学研究院）；AP-HP, Hôpital de la Pitié Salpêtrière（巴黎公共医疗集团、皮蒂-萨尔皮特里耶医院）；School of Engineering（工程学院）；University of Melbourne（墨尔本大学）
PyCellMech是一个开源特征提取流程，提供一维、几何和多边形三类形状特征，填补了医学和生物学研究中形状特征提取工具的空白。
2024-05-24 cs.CV
Shrinking the Semantic Gap: Spatial Pooling of Local Moment Invariants for Copy-Move Forgery Detection
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
复制-移动伪造是一种从图像中复制和粘贴特定补丁的操作，具有潜在的非法或不道德用途。近年来，针对复制-移动伪造的取证方法在检测准确性和鲁棒性方面取得了越来越大的成功。然而，对于具有高自相似性或强信号破坏的图像，现有的算法往往表现出低效的过程和不可靠的结果。这主要是由于低层次视觉表征和高层次语义概念之间固有的语义鸿沟。在本文中，我们提出了一个非常第一次的研究，试图减轻复制移动伪造检测的语义差距问题，与空间池的局部不变矩的中级图像表示。本文的检测方法在两个方面对传统方法进行了扩展：1）首次将视觉词袋模型引入到该领域，为法医学研究提供了一个新的视角; 2）提出了一种词到短语的特征描述和匹配流水线，涵盖了数字图像的空间结构和视觉显著性信息。大量的实验结果表明，我们的框架在克服语义差距所造成的相关问题的最先进的算法的优越性能。
2023-01-17 cs.CV
YOLO-FireAD: Efficient Fire Detection via Attention-Guided Inverted Residual Learning and Dual-Pooling Feature Preservation
School of Computer Science and Technology, Shandong Jianzhu University（计算机科学与技术学院，山东建筑大学）；International School of Information Science\&Engineering, Dalian University of Technology（信息科学与工程国际学院，大连理工大学）；Wuhan SecureScape Technology Co., Ltd（武汉SecureScape科技有限公司）；University of Glasgow, Glasgow, UK（格拉斯哥大学）
针对动态环境火灾检测难兼顾效率与精度、现有YOLO模型特征提取受限的问题，提出含注意力引导倒残差模块与双池化下采样融合模块的YOLO-FireAD，在参数量、计算量更低的情况下实现了更优的检测精度。
2025-08-01 cs.CV
Face2PPG: An unsupervised pipeline for blood volume pulse extraction from faces
University of Oulu（奥卢大学）；VTT Technical Research Centre of Finland Ltd（芬兰VTT技术研究中心有限公司）
本研究提出无监督人脸rPPG提取流程Face2PPG，通过刚性网格归一化稳脸、动态选最优人脸区域、基于QR分解的OMIT变换三项创新，在六数据集上取得优于现有无监督方法的结果，部分接近有监督方法。
2023-05-04 cs.CV
Automatic travel pattern extraction from visa page stamps using CNN models
Baltic Institute of Advanced Technology（波罗的海先进技术研究所）
从签证页印章中人工推断旅行模式是一项耗时的工作，是边境口岸旅客检查效率的一个重要瓶颈。尽管已努力将过境信息编入数据库并加以记录，但在世界上每个国家都纳入这样一个统一系统之前，从邮票推断旅行模式仍将是一个问题。这可能需要几十年。我们提出了一个自动化的文件分析系统，处理扫描的签证页，并自动提取检测邮票的旅行模式。该系统通过以下管道处理页面：签证页面中的印章检测;一般印章国家和出入境识别;申根地区印章国家和出入境识别;申根地区印章日期提取。对于建议的管道的每个阶段，我们构建神经网络模型和训练，然后在真实和合成数据的混合物。我们集成了申根地区邮票检测和日期，国家，入境/出境识别模型与图形用户界面到一个原型的自动旅行模式提取工具。我们发现，通过将简单的神经网络模型结合到我们提出的管道中，可以创建一个有用的工具，可以显着加快旅行模式提取。
2022-03-03 cs.CV
ELKPPNet: An Edge-aware Neural Network with Large Kernel Pyramid Pooling for Learning Discriminative Features in Semantic Segmentation
Wuhan University（武汉大学）
语义分割一直是各个领域的研究热点。随着深度卷积神经网络的成功，语义分割在城市场景解析和室内语义分割方面都取得了很大的成就和改进。然而，大多数最先进的模型仍然面临着区别性特征学习的挑战，这限制了模型检测多尺度对象的能力，并保证一个对象内部的语义一致性或区分具有相似外观的不同相邻对象。提出了一种实用高效的边缘感知神经网络用于语义分割。这个端到端的可训练引擎由一个新的编码器-解码器网络、一个大的内核空间金字塔池化（LKPP）块和一个边缘感知损失函数组成。编码器-解码器网络被设计为平衡结构，以缩小多级特征聚合中的语义和分辨率差距，而LKPP块被构造为具有密集扩展的感受野，用于多尺度特征提取和融合。此外，提出了新的强大的边缘感知损失函数，直接从语义分割预测中细化边界，以获得更鲁棒和更具鉴别力的特征。使用Cityscapes，CamVid和NYUDv 2基准数据集证明了该模型的有效性。在Cityscapes数据集上验证了ELKPPNet中两种结构和边缘感知损失函数的性能，而在CamVid和NYUDv 2数据集上评估了完整的ELKPPNet。在相同条件下与现有方法的比较分析证实了该算法的优越性。
2019-06-27 cs.CV
TENet: Targetness Entanglement Incorporating with Multi-Scale Pooling and Mutually-Guided Fusion for RGB-E Object Tracking
School of Artificial Intelligence and Computer Science, Jiangnan University（江南大学人工智能与计算机科学学院）；Centre for Vision, Speech and Signal Processing (CVSSP), University of Surrey（萨里大学视觉、语音与信号处理中心）
针对 RGB-E 跟踪中事件特征未适配稀疏性的问题，提出含多尺度池化与 MGF 的 TENet，并在 VisEvent、COESOT 上取得显著性能提升。
2024-05-08 cs.CV
Active Learning for Cascaded Object Detection: Balancing Coverage and Uncertainty in Table Extraction Pipelines
L3i, La Rochelle Université（拉罗谢尔大学L3i实验室）；Yooz（Yooz公司）
针对级联表格提取流水线中TSR标注成本高的问题，提出基于不确定性牧群（UHerding）的主动学习方法，通过RankFusion和CAPA两种流水线感知扩展，在多个数据集上优于基线方法。
2026-07-02 cs.AI cs.CV
A Hierarchical Computer Vision Pipeline for Physiological Data Extraction from Bedside Monitors
Oxford University Clinical Research Unit（牛津大学临床研究单位）；Trung Vuong Hospital（中ung Vuong医院）；Nuffield Department of Medicine, University of Oxford（牛津大学医学系）
本文提出了一种基于计算机视觉的分层管道，用于从床边监测器屏幕自动提取生命体征数据，实现了高精度的监测器和ROI检测，提升了低资源环境下的数据整合能力。
2025-11-28 cs.CV
Coupled Network for Robust Pedestrian Detection with Gated Multi-Layer Feature Extraction and Deformable Occlusion Handling
随着深度卷积神经网络的发展，行人检测方法得到了显著改进。然而，检测小规模的行人和闭塞的行人仍然是一个具有挑战性的问题。在本文中，我们提出了一种行人检测方法与一对网络，同时解决这两个问题。其中一个子网络，门控多层特征提取子网络，旨在自适应地生成行人候选人的判别特征，以便鲁棒地检测尺度变化较大的行人。第二个子网络的目标是通过使用可变形区域RoI池来处理行人检测的遮挡问题。我们研究了门控子网络的两种不同的门单元，即通道方向门单元和空间方向门单元，它们可以重复地增强通道维度之间或空间域上的区域卷积特征的表示能力。消融研究已经验证了所提出的门控多层特征提取子网络和可变形遮挡处理子网络的有效性。通过耦合框架，我们提出的行人检测器在加州理工学院和CityPersons行人检测基准上实现了最先进的结果。
2019-12-18 cs.CV
CNN-LTE: a Class of 1-X Pooling Convolutional Neural Networks on Label Tree Embeddings for Audio Scene Recognition
我们在本报告中描述了我们提交给DCASE 2016挑战赛的音频场景识别系统。首先，给定场景的标签集，自动构造标签树。然后，在特征提取步骤中使用该类别分类法，在该步骤中，音频场景实例由标签树嵌入图像表示。不同的卷积神经网络，这些网络是为手头的任务量身定制的，最终在图像特征的基础上学习，用于场景识别。我们的系统达到了81.2%和83.3%的整体识别准确率，并优于DCASE 2016基线，开发和测试数据的绝对改进分别为8.7%和6.1%。
2016-08-15 cs.CV cs.LG cs.MM
Longitudinal Pooling & Consistency Regularization to Model Disease Progression from MRIs
Stanford University（斯坦福大学）；Stanford School of Medicine（斯坦福医学院）；University of California San Diego（加州大学圣地亚哥分校）；SRI International（斯坦福国际研究院）
许多神经系统疾病的特征是大脑结构和功能逐渐恶化。大型纵向MRI数据集揭示了这种恶化，部分原因是应用机器和深度学习来预测诊断。一种流行的方法是应用卷积神经网络（CNN）从纵向MRI的每次访问中提取信息特征，然后使用这些特征通过递归神经网络（RNN）对每次访问进行分类。这种建模忽略了疾病的进展性质，这可能导致在不同访视时的临床分类不合理。为了避免这个问题，我们建议通过将特征提取与一个新的纵向池化层相结合来组合不同访视的特征，并根据疾病进展强制执行不同访视分类的一致性。我们评估所提出的方法对纵向结构MRI从三个神经影像数据集：阿尔茨海默病神经影像倡议（ADNI，N=404），一个数据集组成的274个正常对照组和329例酒精使用障碍（AUD），和255名青少年从全国联盟酒精和神经发育在青少年（NCANDA）。在所有三个实验中，我们的方法优于其他广泛使用的纵向分类方法，从而为更准确地跟踪条件对大脑的影响做出了独特的贡献。该代码可在https://github.com/ouyangjiahong/longitudinal-pooling上获得。
2021-05-26 cs.CV eess.IV
SPFFNet: Strip Perception and Feature Fusion Spatial Pyramid Pooling for Fabric Defect Detection
Waterford Institute South East Technological University Waterford, Ireland（沃特福德研究所 南东技术大学 爱尔兰沃特福德）；Faculty of Innovation Engineering Macau University of Science（创新工程学院 澳门科学技术大学）
SPFFNet通过引入条带感知模块和改进的空间金字塔池化机制，提升织物缺陷检测的精度和鲁棒性，有效解决复杂背景和类别不平衡问题。
2025-12-06 cs.AI cs.CV
Compact Approximation for Polynomial of Covariance Feature
The University of Tokyo（东京大学）；RIKEN AIP（理化学研究所人工智能研究中心）
协方差池是一种具有良好分类精度的特征池方法。由于协方差特征由二阶统计量组成，因此特征元素的尺度是变化的。因此，使用矩阵平方根对协方差特征进行归一化会影响性能改善。当池化方法应用于从CNN模型提取的局部特征时，当池化函数是可反向传播的并且特征提取模型以端到端的方式学习时，准确性增加。最近，提出了协方差特征的矩阵平方根的迭代多项式逼近方法，并且比基于奇异值分解的方法更快且更稳定地训练。在本文中，我们提出了一个扩展的紧凑双线性池，这是一个紧凑的近似标准的协方差特征，多项式的协方差特征。随后，我们将所提出的近似应用于对应于矩阵平方根的多项式，以获得协方差特征的平方根的紧凑近似。我们的方法根据局部特征的相似性，通过与一对局部特征对应的近似特征的加权和来逼近协方差的高维多项式。我们将我们的方法应用于标准的细粒度图像识别数据集，并证明所提出的方法具有比原始特征更少的维度，具有相当的准确性。
2019-06-05 cs.CV stat.ML
Deep Fusion: An Attention Guided Factorized Bilinear Pooling for Audio-video Emotion Recognition
University of Science and Technology of China（中国科学技术大学）
由于情感概念的抽象性和情感表达的多样性，情感自动识别是一个具有挑战性的课题。虽然对情绪的定义还没有统一的认识，但人类的情绪状态通常可以被听觉和视觉系统感知。受人类这种认知过程的启发，在AER中同时利用音频和视频信息是很自然的。然而，大多数传统的融合方法只建立一个线性的范例，如特征级联和多系统融合，这很难捕捉音频和视频之间的复杂关联。在本文中，我们引入了因子分解双线性池（FBP），以深入整合音频和视频的特征。具体地，通过嵌入的注意力机制从各个模态中选择特征以获得情感相关区域。整个流水线可以在一个神经网络中完成。在2018年的音频-视频子挑战的AFEW数据库上进行了验证，所提出的方法实现了62.48%的准确率，优于最先进的结果。
2019-01-15 cs.CV cs.HC cs.LG
Decoupled I/O-Dominant Pipelines for Large-Scale Whole-Slide Image Embedding Extraction
Oak Ridge National Laboratory（橡树岭国家实验室）
针对大规模全切片图像嵌入提取的I/O与编排开销主导性能的问题，提出解耦I/O、计算与导入的流水线，实现高效高吞吐量的嵌入提取，将其转化为数据-centric系统问题。
2026-08-28 cs.CV cs.DC
Deep Convolutional Neural Networks with Zero-Padding: Feature Extraction and Learning
Shenyang Institute of Automation, Chinese Academy of Sciences（中国科学院沈阳自动化研究所）；Institutes for Robotics and Intelligent Manufacturing, Chinese Academy of Sciences（中国科学院机器人与智能制造创新研究院）；Xi’an Jiaotong University（西安交通大学）；University of Sydney（悉尼大学）
本文研究带零填充的深度卷积神经网络（DCNNs），证明其在参数相似时可表示深度全连接网络，在特征提取上更具优势，并推导出其普适一致性与平移不变性，理论结果经数值实验验证。
2023-07-30 cs.CV cs.LG
BioFace3D: A fully automatic pipeline for facial biomarkers extraction of 3D face reconstructions segmented from MRI
La Salle - Universitat Ramon Llull（拉蒙·柳利大学拉萨尔学院）；Universitat de Barcelona（巴塞罗那大学）；FIDMAG, Sisters Hospitallers Research Foundation（仁爱修女会研究基金会FIDMAG研究所）；CIBERSAM（精神健康生物医学研究网络）；Hospital de Sant Pau i la Santa Creu（圣保禄圣十字医院）
BioFace3D提出了一种从MRI重建三维面部模型并全自动提取面部生物标志物的流程，通过标志点配准和几何形态测量学实现客观定量分析，以辅助遗传及精神类疾病的诊断。
2024-10-01 cs.CV q-bio.QM
Extraction and Summarization of Explicit Video Content using Multi-Modal Deep Learning
University of Southern California（南加州大学）
提出一种基于多模态深度学习的自动化流水线，用于提取视频中的显式内容片段并生成文本摘要以判定年龄适宜性，最后通过标准指标验证了其有效性。
2023-11-21 cs.CL cs.CV cs.LG
Multi-level Wavelet Convolutional Neural Networks
Harbin Institute of Technology（哈尔滨工业大学）；Changzhi University（长治学院）
在计算机视觉中，卷积网络（CNN）通常采用池化的方法来扩大感受野，具有低计算复杂性的优点。然而，池化会导致信息丢失，因此不利于进一步的操作，例如特征提取和分析。最近，扩张滤波器已被提出来权衡感受野大小和效率。但是伴随的网格效应可能导致具有棋盘图案的输入图像的稀疏采样。为了解决这个问题，在本文中，我们提出了一种新的多级小波CNN（MWCNN）模型，以实现更好的感受野大小和计算效率之间的权衡。核心思想是将小波变换嵌入到CNN架构中，以降低特征图的分辨率，同时增加感受野。具体地说，用于图像复原的MWCNN是基于U-Net架构，并部署逆小波变换（IWT）来重建高分辨率（HR）特征图。所提出的MWCNN也可以被看作是扩张滤波器的改进和平均池化的推广，并且不仅可以应用于图像复原任务，而且可以应用于任何需要池化操作的CNN。实验结果表明，所提出的MWCNN的有效性，如图像去噪，单图像超分辨率，JPEG图像伪影去除和对象分类的任务。
2019-07-06 cs.CV eess.IV
ROAP: A Reading-Order and Attention-Prior Pipeline for Optimizing Layout Transformers in Key Information Extraction
ROAP通过优化布局变换器的注意力分布，提升关键信息提取的性能，解决阅读顺序建模和视觉干扰问题。
2026-01-09 cs.CL cs.CV
Enabling Advanced Land Cover Analytics: An Integrated Data Extraction Pipeline for Predictive Modeling with the Dynamic World Dataset
MIT Sloan School of Management and Operations Research Center（麻省理工学院斯隆管理学院和运筹学研究中心）；JP Morgan（摩根大通）
本文提出一个针对 Dynamic World 数据集的端到端数据提取与预处理流水线，解决了数据访问与处理缺乏标准化流程的问题，并通过构建性能优异的机器学习模型验证了其在城市化预测等下游任务中的有效性。
2025-07-14 cs.CV cs.LG eess.IV
COVID-19 Detection Using Segmentation, Region Extraction and Classification Pipeline
Izmir Democracy University（伊兹密尔民主大学）
本文提出一种结合分割、肺部提取和CNN分类的CT图像COVID-19检测流程，在COV-19CT Database上较先前结果有所提升，并具有临床诊断潜力。
2023-03-29 cs.CV cs.LG eess.IV
Discrete Deep Feature Extraction: A Theory and New Architectures
ETH Zurich（苏黎世联邦理工学院）；University of Vienna（维也纳大学）
针对连续时间的情况，在2012年的Mallat和2015年的Wiatowski和Bölcskei中，为特征提取的深度卷积神经网络的数学理论迈出了第一步。本文考虑离散的情况下，介绍了新的卷积神经网络架构，并提出了一个数学框架，他们的分析。具体来说，我们建立变形和平移的局部和全局性质的敏感性结果，我们研究如何在相应的特征向量中反映输入信号的某些结构属性。我们的理论适用于一般过滤器和一般Lipschitz连续非线性和池运营商。手写体数字分类和面部标志点检测实验-包括特征重要性评估-补充了理论研究结果。
2016-05-26 cs.CV cs.IT cs.LG
A Detection-Gated Pipeline for Robust Glottal Area Waveform Extraction and Clinical Pathology Assessment
Orchard Robotics；Department of Speech, Language, and Hearing Sciences（语音、语言和听力科学系）；Indiana University（印第安纳大学）；Department of Otolaryngology–Head and Neck Surgery（耳鼻喉科-头颈外科系）；Indiana University School of Medicine（印第安纳大学医学院）
本文提出一种两阶段模块化声门面积分割框架，用于高速视频喉镜，实现高精度、通用性和实时回放。结合YOLOv8n声门定位器和U-Net分割器，通过声门闭合时的门控机制减少伪分割。在GIRAFE和BAGLS数据集上训练，跨数据集评估显示其Dice相似系数达0.745，性能优于现有方法。
2026-05-06 cs.AI cs.CV cs.LG
Visual RAG Toolkit: Scaling Multi-Vector Visual Retrieval with Training-Free Pooling and Multi-Stage Search
Independent Researcher（独立研究者）
视觉RAG工具包通过无训练池化和多阶段搜索提升多向量视觉检索效率，减少向量存储并提高检索吞吐量。
2026-02-13 cs.CV cs.IR cs.LG
