区分性视觉识别的解纠缠

基于最大区分度的鲁棒细粒度识别

Towards Robust Fine-grained Recognition by Maximal Separation of Discriminative Features

EPFL（洛桑联邦理工学院）

对抗攻击已被广泛研究的一般分类任务，但仍未探索的细粒度识别的上下文中，类间的相似性促进攻击者的任务。在本文中，我们将细粒度识别网络中不同类别的潜在表示的接近度确定为对抗攻击成功的关键因素。因此，我们引入了一种基于注意力的正则化机制，该机制最大限度地分离不同类别的区别性潜在特征，同时最大限度地减少非区别性区域对最终类别预测的贡献。正如我们的实验所证明的那样，这使我们能够显着提高对对抗攻击的鲁棒性，达到匹配甚至超过对抗训练的程度，但不需要访问对抗样本。

2020-06-10cs.CV

基于重构的姿态不变人脸识别解纠缠算法

Reconstruction-Based Disentanglement for Pose-invariant Face Recognition

NEC Laboratories America（NEC美国实验室）；Rutgers, The State University of New Jersey（罗格斯大学新泽西州立大学）；University of California, San Diego（加利福尼亚大学圣迭戈分校）

在大规模数据集上训练的深度神经网络（DNN）最近在人脸识别方面取得了令人印象深刻的进步。但是一个持续的挑战仍然是开发能够处理在训练数据中相对代表性不足的大姿态变化的方法。本文提出了一种方法，用于学习的特征表示，是不变的姿态，而不需要广泛的姿态覆盖在训练数据。我们首先建议从一个正面的脸，以增加训练数据的多样性，同时保留准确的面部细节，是至关重要的身份歧视产生非正面的意见。我们的下一个贡献是寻求一个丰富的嵌入，编码身份特征，以及非身份的，如姿势和地标位置。最后，我们提出了一个新的特征重建度量学习明确地解开身份和姿态，通过要求通过各种组合的身份和姿态特征，这是从同一主题的两个图像获得的特征重建之间的对齐。在MultiPIE、300WLP和轮廓视图数据库CFP等受控和野生人脸数据集上的实验表明，我们的方法始终优于最先进的方法，特别是在头部姿势变化较大的图像上。详细结果和资源请参阅https://sites.google.com/site/xipengcshomepage/iccv2017

2017-08-16cs.CV

判别性深度特征可视化用于可解释人脸识别

Discriminative Deep Feature Visualization for Explainable Face Recognition

École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）

针对人脸识别模型缺乏可解释性的问题，提出基于人脸重建的解释模块和视觉显著性算法，生成显著性图以揭示深度特征与人脸区域的对应关系，并解释模型决策。

2023-09-05cs.CVeess.IV

从风格中解耦内容以克服捷径学习：一种混合生成-判别学习框架

Disentangling Content from Style to Overcome Shortcut Learning: A Hybrid Generative-Discriminative Learning Framework

the School of Remote Sensing and Information Engineering（遥感与信息工程学院）

本文提出混合生成-判别框架 HyGDL，通过不变性预训练原则实现显式内容-风格解耦，从根本上克服捷径学习，并在相关基准上取得优越性能。

2025-09-21cs.CVcs.LG

基于非负表示的判别字典学习人脸识别

Non-negative representation based discriminative dictionary learning for face recognition

Jiangnan University（江南大学）；University of Surrey（萨里大学）

本文提出了一种基于非负表示的判别字典学习算法（NRDL）用于多类别人脸分类。与传统的字典学习方法相比，NRDL研究了非负表示（NR）的使用，这有助于学习有区别的字典原子。为了使学习的字典更适合分类，NRDL无缝地将非负表示约束，判别字典学习和线性分类器训练集成到一个统一的模型中。具体地说，NRDL在表示矩阵上引入了一个正约束，以从异构训练样本中找到不同的原子，从而产生稀疏和有区别的表示。此外，提出了一种区分性字典鼓励函数，以提高类特定的子字典的唯一性。同时，通过构造类间不一致性约束和基于紧图的正则化项，分别提高了学习后分类器的区分度。在多个基准人脸数据集上的实验结果验证了我们的NRDL算法优于现有的字典学习方法。

2019-09-28cs.CV

在CNN中学习鉴别滤波器组以实现细粒度识别

Learning a Discriminative Filter Bank within a CNN for Fine-grained Recognition

University of Maryland, College Park（马里兰大学帕克分校）；Adobe Research（奥多比研究院）

与使用CNN特征的早期多级框架相比，最近用于细粒度识别的端到端深度方法从根本上增强了CNN的中级学习能力。以前的方法通过引入辅助网络来将本地化信息注入主分类网络，或者引入复杂的特征编码方法来捕获高阶特征统计来实现这一点。我们表明，中级表示学习可以在CNN框架内得到增强，通过学习一组卷积滤波器来捕获类特定的判别补丁，而无需额外的部分或限界框注释。这样的滤波器组结构良好，适当地初始化，并通过具有卷积滤波器监督和非随机层初始化的新颖的非对称多流架构有区别地学习。实验结果表明，我们的方法在三个公开的细粒度识别数据集（CUB-200 - 2011，Stanford Cars和FGVC-Aircraft）上达到了最先进的水平。消融研究和可视化提供了解我们的方法。

2018-06-12cs.CV

无监督解纠缠GAN用于领域自适应身份重识别

Unsupervised Disentanglement GAN for Domain Adaptive Person Re-Identification

Polytechnique Montréal（蒙特利尔理工学院）；Arcturus Networks（阿克图鲁斯网络公司）

虽然最近的人重新识别（ReID）方法在监督设置中实现了高准确性，但它们对未标记域的推广仍然是一个悬而未决的问题。在本文中，我们引入了一种新的无监督解纠缠生成对抗网络（UD-GAN）来解决有监督人ReID的领域自适应问题。我们的框架联合训练了一个ReID网络，用于使用身份注释在源标记域中进行区分特征提取，并通过学习该域上的解纠缠潜在表示来将ReID模型适应于未标记的目标域。目标域中与身份无关的特征从潜在特征中提取。因此，ReID特征更好地涵盖了无监督域中的人的身份。我们在Market 1501、DukeMTMC和MSMT 17数据集上进行了实验。结果表明，ReID中的无监督领域自适应问题是非常具有挑战性的。尽管如此，我们的方法显示出在一半的域转移的改善，并实现国家的最先进的性能，其中之一。

2020-07-30cs.CV

基于孤岛损失的表情识别鉴别特征学习算法

Island Loss for Learning Discriminative Features in Facial Expression Recognition

University of South Carolina（南卡罗来纳大学）

在过去的几年里，卷积神经网络（CNN）在面部表情识别方面显示出了希望。然而，由于细微的面部外观变化、头部姿势变化、照明变化和遮挡所引入的变化，在真实世界设置下性能显著降低。在本文中，提出了一种新的岛屿损失，以提高深入学习的功能的区分能力。具体地说，IL的目的是减少类内的变化，同时扩大类间的差异。在四个基准表情数据库上的实验结果表明，具有所提出的岛损失的CNN（IL-CNN）优于具有传统softmax损失或中心损失的基线CNN模型，并且与用于面部表情识别的最新方法相比，实现了相当或更好的性能。

2017-10-23cs.CV

掩蔽人脸识别：从生成式到判别式表征

Masked Face Recognition with Generative-to-Discriminative Representations

Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security at University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；Cloud Music Inc.（网易云音乐）；Department of Communication Engineering, Shanghai University（上海大学通信工程系）

提出统一深度网络，通过生成式编码器与判别式重构器学习遮挡鲁棒表征，结合关系知识蒸馏，有效提升掩蔽人脸识别性能。

2024-05-27cs.AIcs.CVcs.LG

面向极低分辨率人脸识别的生成-判别表示蒸馏

Distilling Generative-Discriminative Representations for Very Low-Resolution Face Recognition

Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）

本文提出生成-判别表示蒸馏方法，通过扩散模型编码器和人脸识别器分别蒸馏学生骨干与头部网络，将通用表示转化为判别表示，从而提升极低分辨率人脸识别准确率。

2024-09-10cs.AIcs.CVcs.MM

基于无监督姿态解缠和自适应的跨数据集人物重新识别

Cross-Dataset Person Re-Identification via Unsupervised Pose Disentanglement and Adaptation

National Taiwan University（台湾大学）；MOST Joint Research Center for AI Technology and All Vista Healthcare（科技部AI技术与全视医疗照护联合研究中心）；ASUS Intelligent Cloud Services（华硕智能云服务）

人物重新识别（Re-ID）旨在从不同相机拍摄的图像中识别同一个人。为了解决这个具有挑战性的任务，现有的re-ID模型通常依赖于大量的标记训练数据，这对于现实世界的应用是不实际的。为了缓解这一限制，研究人员现在瞄准了交叉数据集re-ID，其重点是在给定标记的源域数据集时将区分能力推广到未标记的目标域。为了实现这一目标，我们提出的姿势分解和自适应网络（PDA-Net）旨在学习深度图像表示，并正确分解姿势和域信息。通过学习的跨域姿态不变特征空间，我们提出的PDA-Net能够在没有身份监督的情况下跨域执行姿态解纠缠，并且所产生的特征可以应用于跨数据集Re-ID。我们在两个基准数据集上的定性和定量结果都证实了我们方法的有效性及其优于最先进的跨数据集Re-ID方法。

2019-09-20cs.CV

基于余弦核的Gabor分块核鉴别公共向量（KDCV）人脸识别方法

A Gabor block based Kernel Discriminative Common Vector (KDCV) approach using cosine kernels for Human Face Recognition

Indian Statistical Institute（印度统计研究所）；Jadavpur University（贾达普大学）

提出了一种基于非线性Gabor小波变换（GWT）的鉴别特征提取方法，用于增强人脸识别。首先，从Gabor小波变换图像中提取低能量块。其次，利用广义核判别公共向量（KDCV）方法对低能量块进行非线性判别特征分析和提取。将KDCV方法推广到包含余弦核函数的判别方法。然后将具有余弦核的KDCV应用于提取的低能量鉴别特征向量，以获得用于人脸识别的复量的实分量。为了得到正的核判别向量，我们只应用那些与非零特征值相关联的核判别特征向量。基于低能量Gabor块的广义KDCV方法与余弦核函数模型的可行性已成功地测试了图像分类使用L1，L2距离的措施;和余弦相似性度量的正面和姿态角的人脸识别。在FRAV 2D和FERET数据库上的实验结果证明了该方法的有效性。

2013-12-05cs.CV

从合成数据中学习判别性特征用于自监督细粒度视觉识别

On Learning Discriminative Features from Synthesized Data for Self-Supervised Fine-Grained Visual Recognition

University of California, Santa Barbara（加利福尼亚大学圣巴巴拉分校）；The University of Adelaide（阿德莱德大学）；Carnegie Mellon University（卡内基梅隆大学）

针对自监督细粒度视觉识别中区分细微类别差异的难题，提出一种通过合成数据对引导模型关注判别性特征的新策略，实验证明其有效提升FGVR性能。

2024-07-19cs.CV

特征重建解耦换衣行人重识别

Features Reconstruction Disentanglement Cloth-Changing Person Re-Identification

Beijing Information Science and Technology University（北京信息科技大学）

针对换衣行人重识别中特征解耦不可控的问题，提出FRD-ReID网络，以人体解析掩码为真实标签，结合FAA和PCA机制实现可控特征解耦，在多个数据集上性能超越现有最优方法。

2024-07-15cs.CV

区分块对角表示学习在图像识别中的应用

Discriminative Block-Diagonal Representation Learning for Image Recognition

Harbin Institute of Technology（哈尔滨工业大学）；University of East Anglia（东英吉利大学）；Nanjing University of Science and Technology（南京理工大学）

现有的块对角表示研究主要集中在对训练数据进行块对角正则化，而很少关注同时学习训练数据和测试数据的块对角表示。在本文中，我们提出了一个判别块对角低秩表示（BDLRR）的识别方法。特别地，在低秩表示的半监督框架下，将精细BDLRR表示为一个联合优化问题，即从非块对角元素中缩小不利表示，并加强紧凑块对角表示.为此，我们首先对否定表示施加惩罚约束，以消除不同类之间的相关性，从而提高类外表示的不一致性标准。此外，构建子空间模型，以提高训练样本的自我表达能力，并进一步建立之间的表示桥梁的训练和测试样本，使学习的类内表示的一致性不断提高。最后，由此产生的优化问题解决优雅采用替代优化策略，并利用一个简单的识别算法的学习表示的最终预测。大量的实验结果表明，该方法取得了良好的识别效果上的四个人脸图像数据集，三个字符数据集，和15个场景的多类别数据集。它不仅在图像识别上显示出优越的潜力，而且优于最先进的方法。

2017-07-12cs.CVcs.LGcs.MM

Cross-label Suppression：一种判别式快速分组正则化字典学习算法

Cross-label Suppression: A Discriminative and Fast Dictionary Learning with Group Regularization

Tsinghua University（清华大学）

本文通过有效地学习一个紧凑的和有区别的字典来解决图像分类问题。给定一个结构化字典，每个原子（字典矩阵中的列）与一些标签相关，我们提出了交叉标签抑制约束，以扩大不同类别的表示之间的差异。同时，我们引入群正则化来强制表示以保持原始样本的标签属性，这意味着鼓励同一类的表示是相似的。在交叉标记抑制时，我们不求助于常用的$\ell_0$ -范数或$\ell_1$ -范数进行编码，并且在不损失分类的区分能力的情况下获得计算效率。此外，两个简单的分类方案也开发，以充分利用学习字典。在人脸识别、物体分类、场景分类、纹理识别和运动动作分类等6个数据集上进行了大量的实验，结果表明，该方法在识别精度和计算效率上均优于目前提出的许多字典算法。

2017-05-08cs.CVcs.LGstat.ML

对抗性鉴别异质人脸识别

Adversarial Discriminative Heterogeneous Face Recognition

National Laboratory of Pattern Recognition, CASIA（模式识别国家重点实验室，中国科学院自动化研究所）；Center for Research on Intelligent Perception and Computing, CASIA（智能感知与计算研究中心，中国科学院自动化研究所）；Center for Excellence in Brain Science and Intelligence Technology, CAS（脑科学与智能技术卓越创新中心，中国科学院）；University of Chinese Academy of Sciences（中国科学院大学）

在异构人脸识别（HFR）中，不同人脸模态的感知模式之间的差距仍然是一个具有挑战性的问题。本文提出了一个对抗性的区别性特征学习框架，通过在原始像素空间和紧凑特征空间上的对抗性学习来缩小感知差距。该框架将跨光谱人脸幻觉和判别特征学习集成到端到端对抗网络中。在像素空间中，我们利用生成对抗网络来执行跨光谱人脸超分辨率。引入了一种精细的双路径模型来缓解图像配对不足的问题，该模型兼顾了全局结构和局部纹理。在特征空间中，分别采用对抗损失和高阶方差差异损失来度量两个异质分布之间的全局差异和局部差异。这两个损失增强了域不变特征学习和模态独立噪声去除。在三个NIR-VIS数据库上的实验结果表明，该方法在不需要复杂网络或大规模训练数据集的情况下，性能优于现有的HFR方法。

2017-09-12cs.CV

鲁棒人脸识别中的区分性局部稀疏表示

Discriminative Local Sparse Representations for Robust Face Recognition

The Johns Hopkins University（约翰斯·霍普金斯大学）；Pennsylvania State University（宾夕法尼亚州立大学）

最近人脸识别的一个关键进展是将测试人脸图像建模为一组训练人脸图像的稀疏线性组合。所得到的稀疏表示已被证明具有鲁棒性，对各种失真，如随机像素损坏，遮挡和伪装。然而，这种方法做出了限制性的（在许多场景中）假设，即在分类之前，测试面必须与训练数据完美地对准（或配准）。在本文中，我们提出了一个简单而强大的局部基于块的稀疏模型，使用自适应构造的字典从局部特征的训练数据，以克服这种错位问题。我们的方法受到人类感知的启发：我们分析了一系列局部判别特征，并将它们结合起来，以达到最终的分类决策。我们提出了一个概率图模型框架，明确挖掘这些不同的稀疏局部特征之间的条件依赖关系。特别是，我们学习从不同的局部切片的脸稀疏表示的判别图。这些稀疏特征之间的条件相关性首先被发现（在训练阶段），随后被利用来显著提高识别率。基准人脸数据库上的实验结果表明，所提出的算法在存在多个注册错误（如平移，旋转和缩放），以及在姿态和光照变化的有效性。

2011-11-08cs.CV

视频步态识别中手臂摆动的判别性及运动员身份的再识别

The Arm-Swing Is Discriminative in Video Gait Recognition for Athlete Re-Identification

Delft University of Technology（代尔夫特理工大学）

在本文中，我们评估的跑步步态作为一个属性的视频人重新识别在长跑事件。我们表明，运行步态识别实现竞争力的性能相比，外观为基础的方法在跨相机检索任务，步态和外观特征是互补的。对于步态，由于躯干区域的模糊性，当使用二进制步态轮廓时，跑步期间的手臂摆动不太可区分。我们建议使用人类的语义解析来创建部分步态轮廓的躯干被遗漏。省略躯干可以让手臂的摆动在正面和倾斜的视角下更明显，从而提高识别结果，这暗示了手臂的摆动在某种程度上是个人的。实验表明，与使用全身轮廓相比，CampusRun上的mAP增加了3.2%，CASIA-B上的正面和背面视图的准确性增加了4.8%。

2021-06-21cs.CV

MODAL：基于模型驱动稀疏解耦与文本-图像差分滤波的多模态对象重识别

MODAL: Multi-Modal Object Re-ID via Model-Driven Sparse Decoupling and Text-Image Differential Filtering

College of Computer Science and Technology, National University of Defense Technology（国防科技大学计算机科学与技术学院）；School of Computer Science and Information Engineering, Hefei University of Technology（合肥工业大学计算机与信息工程学院）

本文提出MODAL多模态对象重识别框架，通过多模态特征稀疏解耦模块与文本-图像差分滤波模块解决现有方法的特征纠缠与模态缺失性能下降问题，在四个数据集上取得SOTA性能。

2026-08-18cs.CVeess.IV

基于提升方案的野外环境中情感相关面部动态的隐式解耦

Lifting Scheme-Based Implicit Disentanglement of Emotion-Related Facial Dynamics in the Wild

Zhejiang University（浙江大学）

本文提出隐式面部动态解耦框架IFDD，通过将小波提升方案扩展为可学习框架，利用两阶段模块从全局上下文中隐式解耦情感相关动态信息，在野外数据集上实现更高识别精度与可比效率。

2024-12-18cs.AIcs.CV

基于中心丢失和重构的语音情感识别鉴别特征学习

Learning Discriminative features using Center Loss and Reconstruction as Regularizer for Speech Emotion Recognition

Samsung Research（三星研究院）

本文提出了一种受多任务学习（MTL）启发的卷积神经网络（CNN），它基于在softmax损失和中心损失（一种强大的度量学习策略）联合监督下训练的语音特征，用于语音中的情感识别。语音特征，如频谱图和梅尔频率倒谱系数（MFCC）有助于保留语音中与情感相关的低层次特征。我们实验了几种深度神经网络（DNN）架构，这些架构将语音特征作为输入，并在softmax和中心丢失下对其进行训练，从而获得了非常适合语音情感识别（SER）的高区分度特征。我们的网络还通过同时执行重建输入语音特征的辅助任务来使用正则化效应。相关任务之间的这种表示共享使我们的网络能够更好地概括SER的原始任务。与最先进的架构相比，我们提出的一些网络包含的参数要少得多。

2019-08-31cs.LGcs.SDeess.AS

基于动态范围增强和多尺度学习的2D+3D人脸表情识别

2D+3D Facial Expression Recognition via Discriminative Dynamic Range Enhancement and Multi-Scale Learning

Xidian University（西安电子科技大学）；Johns Hopkins University（约翰斯·霍普金斯大学）

在2D+3D人脸表情识别（FER）中，现有方法生成多视图几何图以增强深度特征表示。然而，这可能会引入错误的估计，由于局部平面拟合不完整的点云。在本文中，我们从信息论的角度提出了一种新颖的地图生成技术，以增强细微的3D表情差异与强烈的个性差异。首先，我们检查HDR深度数据以提取有区别的动态范围$r_{dis}$，并使$r_{dis}$的熵最大化到全局最优。然后，为了防止由过度增强引起的大变形，我们引入深度失真约束，并将复杂度从$O(KN^2)$降低到$O(KNτ)$。此外，约束优化建模为一个$K$ -边的最大权路径问题的有向无环图，我们有效地解决它通过动态规划。最后，我们还设计了一个有效的面部注意力结构，自动定位微妙的歧视性面部部位的多尺度学习，并训练它与建议的损失函数$\mathcal{L}_{FA}$没有任何面部标志。在不同数据集上的实验结果表明，该方法是有效的，在FER精度和生成地图的输出熵方面都优于现有的2D+3D FER方法。

2020-11-16cs.CV

语义属性的无监督发现、控制和解纠缠及其在异常检测中的应用

Unsupervised Discovery, Control, and Disentanglement of Semantic Attributes with Applications to Anomaly Detection

The Johns Hopkins University Applied Physics Laboratory（约翰斯·霍普金斯大学应用物理实验室）；Queens University（皇后大学）；Johns Hopkins University（约翰斯·霍普金斯大学）

我们的工作重点是无监督和生成方法，以实现以下目标：（a）学习发现控制图像语义属性的潜在因素的无监督生成表示，（b）研究这种控制属性的能力如何形式上与潜在因素解纠缠的问题相关，澄清过去混淆的相关但不相似的概念，以及（c）开发利用在（a）中学习的表示的异常检测方法。对于（a），我们提出了一种网络架构，利用多尺度生成模型与互信息（MI）最大化的组合。对于（b），我们得到了一个分析结果（引理1），它使两个相关但不同的概念变得清晰：生成网络控制它们生成的图像的语义属性的能力，这是由MI最大化产生的，以及通过总相关性最小化获得的解开潜在空间表示的能力。更具体地说，我们证明，最大限度地提高语义属性控制鼓励解开潜在的因素。使用引理1，并采用MI在我们的损失函数，然后，我们凭经验表明，对于图像生成任务，所提出的方法表现出优越的性能，测量的质量和解纠缠贸易空间相比，其他国家的最先进的方法，质量评估通过弗雷歇初始距离（FID），并通过互信息间隙解纠缠。对于（c），我们利用（a）中学习的表示设计了几个异常检测系统，并与最先进的生成和判别算法相比展示了它们的性能优势。表示学习的上述贡献在解决计算机视觉中的其他重要问题方面具有潜在的应用，例如AI中的偏见和隐私。

2021-06-07cs.CV

SCDM：基于差分推理的空间-上下文解缠Mamba用于高效图像分类

SCDM: Spatial-Contextual Disentanglement Mamba via Differential Inference for Efficient Image Classification

Ankara Medipol University（安卡拉梅迪波尔大学）；University of Galway（戈尔韦大学）

针对SSM在医学图像中难以区分病理与正常解剖的问题，提出非对称双分支SCDM，利用排斥门和差分推理实现表示解缠，在RSNA肺炎数据集上以更少参数和计算量达到0.858的AUC。

2026-09-24cs.CV

深度学习中的指数判别度量嵌入

Exponential Discriminative Metric Embedding in Deep Learning

Nankai University（南开大学）；Tianjin University（天津大学）

随着卷积神经网络（CNN）在目标识别领域取得的巨大成功，深度学习在计算机视觉领域得到了广泛的应用。深度度量学习（Deep Metric Learning，DML）将深度学习与传统的度量学习相结合，在许多领域，特别是在分类任务方面，都创造了新的记录。在本文中，我们提出了一种可复制的DML方法，称为包含和删除（IE）损失，迫使样本和其指定的类中心之间的距离远离该样本到其他类中心的平均距离，在指数特征投影空间中具有较大的余量。通过对IE损失的监督，我们可以训练CNN来增强类内紧致性和类间可分性，从而在从对象识别到人脸验证的几个公共数据集上取得了很大的改进。我们进行了比较研究，我们的算法与几个典型的DML方法在三种不同的网络容量。在三个目标识别数据集和两个人脸识别数据集上的实验表明，IE损失始终优于其他主流的DML方法，并接近最先进的结果。

2018-03-07cs.CVcs.LGstat.ML

判别主成分分析：一种REVERSE THINKING

Discriminative Principal Component Analysis: A REVERSE THINKING

School of Science, Guilin University of Technology（桂林理工大学理学院）

本文提出了一种新的方法命名为判别主成分分析，简称为判别PCA，以提高线性判别分析（LDA）的PCA的可分性。所提出的方法执行特征提取，通过确定一个线性投影，捕捉最分散的判别信息。判别主成分分析的最大创新在于对判别矩阵而不是原始样本矩阵进行主成分分析。为了在低复杂度下计算所需的判别矩阵，我们利用LDA对转换后的矩阵，以获得类内矩阵和类间矩阵。在计算过程中，我们利用直接线性判别分析（DLDA）来解决所遇到的SSS问题。为了评估判别PCA在人脸识别中的性能，我们分析比较了它与DLAD和PCA在四个著名的人脸数据库，他们是PIE，FERET，YALE和ORL分别。比较了不同训练样本数下，最近邻分类器的分类精度和运行时间。判别式主成分分析不仅在识别率上表现出优越性和突出性能，而且在运行时间上也取得了可比的结果。

2019-03-12cs.CV

LoDisc：学习全局-局部判别性特征用于自监督细粒度视觉识别

LoDisc: Learning Global-Local Discriminative Features for Self-Supervised Fine-Grained Visual Recognition

Faculty of Information Science and Engineering, Ocean University of China（信息科学与工程学院，中国海洋大学）

本文提出LoDisc，一种自监督全局-局部对比学习框架，通过局部判别前置任务增强细粒度特征，提升细粒度及通用物体识别性能。

2025-10-08cs.CV

学习多义欺骗痕迹：一种用于人脸反欺骗的多模态解纠缠网络

Learning Polysemantic Spoof Trace: A Multi-Modal Disentanglement Network for Face Anti-spoofing

Beihang University（北京航空航天大学）；Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能研究院）；Hangzhou Innovation Institute, Beihang University（北京航空航天大学杭州创新研究院）

随着人脸识别系统的广泛使用，其脆弱性已变得突出。虽然现有的人脸反欺骗方法可以在攻击类型之间推广，但由于欺骗特征的多样性，通用解决方案仍然具有挑战性。最近，欺骗痕迹解纠缠框架已经显示出巨大的潜力，以应付可见和不可见的欺骗场景，但性能在很大程度上受到单模态输入的限制。本文针对这一问题，提出了一种多模态解纠缠模型，该模型有针对性地学习多语义欺骗痕迹，以实现更准确和鲁棒的通用攻击检测。特别地，基于对抗学习机制，设计了双流解缠网络，分别从RGB和深度输入估计欺骗模式。在这种情况下，它捕获不同攻击中固有的互补欺骗线索。此外，利用融合模块，重新校准两个表示在多个阶段，以促进在每一个单独的模态解开。然后，它执行跨模态聚合，以提供更全面的欺骗跟踪表示进行预测。在多个基准上进行了广泛的评估，表明学习多语义欺骗痕迹有利于反欺骗，具有更可感知和可解释的结果。

2022-12-07cs.CV

基于多样性与判别性表征学习的可泛化低资源活动识别

Generalizable Low-Resource Activity Recognition with Diverse and Discriminative Representation Learning

Beijing Key Lab. of Mobile Com., CAS（中国科学院移动计算北京重点实验室）；Microsoft Research Asia（微软亚洲研究院）

针对人体活动识别中的低资源与分布偏移难题，提出同时兼顾多样性与判别性的DDLearn方法，经多数据集验证在低资源分布偏移场景下准确率显著优于现有方法。

2023-06-09cs.AIcs.CVcs.LG

领域自适应人再识别的双流交互解纠缠学习

Dual-Stream Reciprocal Disentanglement Learning for Domain Adaptation Person Re-Identification

Kunming University of Science and Technology（昆明理工大学）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））；Shenzhen Research Institute of Big Data（深圳大数据研究院）

由于人类标记的样本对于目标集是自由的，无监督的人重新识别（Re-ID）近年来引起了人们的广泛关注，通过额外利用源集。然而，由于摄像机类型、光照和背景的差异，源域和目标域之间存在很大的距离，给跨域匹配带来了很大的挑战。为了解决这个问题，在本文中，我们提出了一种新的方法命名为双流互易解纠缠学习（DRDL），这是非常有效的学习域不变的功能。在DRDL中，首先构造两个编码器，用于id相关和id不相关的特征提取，这两个编码器分别由它们相关联的分类器测量。此外，在对抗性学习策略之后，两个流相互影响和积极影响，使得与id相关的特征和与id无关的特征完全从给定图像中分离出来，从而使编码器足够强大，可以获得有区别但域不变的特征。与现有的方法相比，我们提出的方法是免费的图像生成，这不仅显着降低了计算复杂性，但也删除了冗余信息的身份相关的功能。大量的实验证实了我们所提出的方法相比，国家的艺术的优越性。源代码已在https://github.com/lhf12278/DRDL上发布。

2021-10-01cs.CV

用于视觉识别的学习结构化语义嵌入

Learning Structured Semantic Embeddings for Visual Recognition

Tsinghua University（清华大学）；Virginia Tech（弗吉尼亚理工大学）；University of California, Merced（加利福尼亚大学默塞德分校）

许多嵌入模型已被探索，将语义知识的视觉识别。现有的方法通常专注于最小化嵌入空间中相应图像和文本之间的距离，但没有显式地优化底层结构。我们的关键观察是，成对的图像-图像关系的建模提高了嵌入模型的辨别能力。在本文中，我们提出了结构化的区别和差异的限制来学习视觉语义嵌入。首先，我们利用歧视性的约束来捕捉图像嵌入的类内和类间关系。区别性约束鼓励不同类别的图像实例的可分离性。其次，我们将一对图像嵌入之间的差向量与对应的词嵌入的差向量对齐。差异约束有助于正则化图像嵌入，以保持词嵌入之间的语义关系。广泛的评估表明，所提出的结构化嵌入的单标签分类，多标签分类，和zero-shot识别的有效性。

2017-06-05cs.CV

聚焦局部：为视觉地点识别寻找可靠的判别性区域

Focus on Local: Finding Reliable Discriminative Regions for Visual Place Recognition

Shandong Computer Science Center, Qilu University of Technology (Shandong Academy of Sciences)（齐鲁工业大学（山东省科学院）山东省计算中心）；School of Artificial Intelligence, Beijing University of Posts and Telecommunications（北京邮电大学人工智能学院）；Shandong Provincial Key Laboratory of Computing Power Internet and Service Computing, Shandong Fundamental Research Center for Computer Science（山东省计算机科学基础研究中心山东省算力互联网与服务计算重点实验室）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Tongji University（同济大学）；College of Computer and Data Science, Fuzhou University（福州大学计算机与数据科学学院）；Shandong University（山东大学）

针对视觉地点识别中判别性局部区域未被充分利用的问题，提出聚焦局部（FoL）方法，通过设计两种损失函数建模可靠局部区域并引入伪相关监督，同时提升检索和重排序性能，且计算效率更优。

2025-04-14cs.CV

基于自适应稀疏表示的鲁棒人脸识别

Robust Face Recognition via Adaptive Sparse Representation

Hefei University of Technology（合肥工业大学）；National University of Singapore（新加坡国立大学）

基于稀疏表示（或编码）的分类方法（SRC）在人脸识别中取得了巨大的成功。然而，SRC过于强调稀疏性，忽略了相关性信息，这已被证明是在现实世界中的人脸识别问题的关键。此外，一些工作考虑了相关性，但忽略了稀疏性的区分能力。不同于这些现有的技术，在本文中，我们提出了一个框架称为自适应稀疏表示基于分类（ASRC），其中稀疏性和相关性共同考虑。具体来说，当样本相关性较低时，ASRC选择最具鉴别力的样本进行表示，就像SRC一样;当训练样本高度相关时，ASRC选择大多数相关且具有鉴别力的样本进行表示，而不是随机选择一些相关样本。一般来说，表示模型是自适应的相关结构，这得益于$\ell_1$ -范数和$\ell_2$ -范数。在公开数据集上进行的大量实验验证了该算法的有效性和鲁棒性，并与最先进的方法进行了比较。

2014-04-18cs.CV

用于人脸识别的可扩展角度判别深度度量学习

Scalable Angular Discriminative Deep Metric Learning for Face Recognition

Nankai University（南开大学）；Tianjin University（天津大学）

随着深度学习的发展，深度度量学习（Deep Metric Learning，DML）在人脸识别方面取得了很大的进步。具体来说，在训练过程中广泛使用的softmax损失往往会带来很大的类内变化，而特征归一化只在测试过程中使用，以计算对相似度。为了弥补这一差距，我们在训练步骤中将softmax损失中的特征和权重向量之间的类内余弦相似性设置为大于一个裕度，并从四个方面对其进行了扩展。首先，我们探讨了硬样本挖掘策略的效果。为了减轻调整超参数的人工劳动，提出了一种自适应的边缘更新策略。然后，一个规范化的版本，以充分利用余弦相似性约束。此外，我们加强了前一个约束，迫使类内余弦相似度大于平均类间余弦相似度，在指数特征投影空间中有一个保证金。在Labeled Face in the Wild（LFW）、Youtube Faces（YTF）和IARPA Janus Benchmark A（IJB-A）数据集上进行的大量实验表明，本文提出的方法优于主流的DML方法，接近最先进的性能。

2018-05-01cs.AIcs.CV

OrthoMAD：基于正交身份分解的变形攻击检测

OrthoMAD: Morphing Attack Detection Through Orthogonal Identity Disentanglement

INESC TEC（葡萄牙工程与计算机系统研究所）；Faculdade de Engenharia da Universidade do Porto（波尔图大学工程学院）；Fraunhofer Institute for Computer Graphics Research (IGD)（弗劳恩霍夫计算机图形学研究所）；Technische Universität Darmstadt（达姆施塔特工业大学）

变形攻击是不断影响深度人脸识别系统的众多威胁之一。它包括从不同的个体中选择两张面孔，并将它们融合成包含两者身份信息的最终图像。在这项工作中，我们提出了一个新的正则化项，考虑到存在的身份信息，在这两个，并促进创建两个正交的潜在向量。我们在FRLL数据集中的五种不同类型的变形中评估了我们提出的方法（OrthoMAD），并评估了我们的模型在五个不同数据集上训练时的性能。以小型ResNet-18为骨干，我们在大多数实验中获得了最先进的结果，并在其他实验中获得了具有竞争力的结果。本文的代码将公开提供。

2022-08-23cs.CV

支持向量机引导的Softmax损失人脸识别

Support Vector Guided Softmax Loss for Face Recognition

JD AI Research（京东人工智能研究院）；Institute of Automation, Chinese Academy of Science（中国科学院自动化研究所）

由于深度卷积神经网络（CNN）的发展，人脸识别已经取得了重大进展，其中心挑战是特征鉴别。为了解决这个问题，一个小组试图利用基于挖掘的策略（\textit{e.g.}，硬例子挖掘和焦点丢失）来关注信息丰富的例子。另一组致力于设计基于边缘的损失函数（\textit{e.g.}，角度，添加剂和添加剂角度裕度），以增加从地面真值类的角度来看的特征裕度。这两种方法都被很好地验证了学习区分特征。然而，他们遭受的困难，要么是模糊的硬例子或缺乏其他类的辨别力。在本文中，我们设计了一种新的损失函数，即支持向量引导的softmax损失（SV-Softmax），它自适应地强调错误分类点（支持向量），以指导判别特征学习。因此，开发的SV-Softmax损失能够消除硬示例的歧义，以及吸收其他类的区分能力，从而产生更多的区分特征。据我们所知，这是第一次尝试将基于采矿和基于保证金的损失的优势继承到一个框架中。多个基准测试的实验结果证明了我们的方法相对于最新技术的有效性。

2018-12-29cs.CV

CFD-HAR: 通过条件特征解耦实现用户可控隐私

CFD-HAR: User-controllable Privacy through Conditional Feature Disentanglement

本文提出CFD-HAR方法，通过条件特征解耦实现用户可控隐私保护，对比分析了基于自编码器的少样本HAR在隐私保障、数据效率和适应性方面的差异，指出需统一框架优化隐私、少样本适应性和鲁棒性。

2026-03-12cs.LG

ElasticFace：用于深度人脸识别的弹性容限损失

ElasticFace: Elastic Margin Loss for Deep Face Recognition

Fraunhofer Institute for Computer Graphics Research IGD（弗劳恩霍夫计算机图形学研究所IGD）；TU Darmstadt（达姆施塔特工业大学）

学习判别性人脸特征在构建高性能人脸识别模型中起着重要作用。最近的国家的最先进的人脸识别的解决方案提出了将一个固定的惩罚边际上常用的分类损失函数，softmax损失，在规范化的超球体，以增加人脸识别模型的区分能力，通过最小化类内的变化和最大化类间的变化。边际惩罚softmax损失，如ArcFace和CosFace，假设不同身份之间和内部的测地线距离可以使用固定的惩罚边际来平等地学习。然而，这样的学习目标对于具有不一致的类间和类内变化的真实数据是不现实的，这可能限制人脸识别模型的区分性和泛化能力。在本文中，我们通过提出弹性惩罚保证金损失（ElasticFace）来放松固定惩罚保证金约束，从而在推动类可分性方面具有灵活性。其主要思想是在每次训练迭代中利用从正态分布中提取的随机间隔值。这旨在给予决策边界提取和收回的机会，以允许灵活的类可分性学习的空间。我们证明了我们的ElasticFace损失优于ArcFace和CosFace损失，使用相同的几何变换，在一个大的主流基准。从更广泛的角度来看，我们的ElasticFace在九个主流基准测试中的七个上都提升了最先进的人脸识别性能。

2022-03-21cs.CV

对象追踪：通过判别权重生成构建对象空间

Object Pursuit: Building a Space of Objects via Discriminative Weight Generation

Tsinghua University（清华大学）；Stanford University（斯坦福大学）

我们提出了一个框架，不断学习以对象为中心的表示视觉学习和理解。现有的以对象为中心的表示要么依赖于监督，个性化的场景中的对象，或执行无监督的解纠缠，很难处理复杂的场景在现实世界中。为了减轻注释负担并放松对数据统计复杂性的约束，我们的方法利用交互来有效地对对象的各种变化和相应的训练信号进行采样，同时学习以对象为中心的表示。在整个学习过程中，对象以随机顺序一个接一个地以未知身份进行流式传输，并且与潜在代码相关联，该潜在代码可以通过卷积超网络为每个对象合成有区别的权重。此外，学习对象的重新识别和遗忘预防，使学习过程的有效性和鲁棒性。我们进行了广泛的研究所提出的框架的主要特点，并分析了学习表征的特点。此外，我们证明了所提出的框架在学习表示，可以提高下游任务的标签效率的能力。我们的代码和训练模型在https://github.com/pptrick/Object-Pursuit上公开提供。

2022-04-03cs.CV

描述定位：细粒度识别的属性引导注意定位

Localizing by Describing: Attribute-Guided Attention Localization for Fine-Grained Recognition

Baidu Research（百度研究院）

细粒度识别的一个关键挑战是如何发现和表示有区别的局部区域。最近的注意力模型只能从类别标签中学习有区别的区域定位器与强化学习。然而，不利用任何明确的部分信息，他们不能准确地找到多个独特的区域。在这项工作中，我们引入了一个属性引导的注意力定位方案，局部区域定位器的部分属性描述的指导下学习。通过设计一种新的奖励策略，我们能够学习定位区域的空间和语义独特的强化学习算法。该方案的属性标注要求比传统的基于零件的细粒度识别方法所要求的精确零件位置标注更容易实现。在CUB-200-2011数据集上的实验结果表明，该方法在细粒度识别和属性识别方面都具有较好的性能。

2016-05-23cs.CV

用于细粒度视觉识别的部分引导关系Transformers

Part-guided Relational Transformers for Fine-grained Visual Recognition

Beihang University（北京航空航天大学）；Peking University（北京大学）；Pengcheng Laboratory（鹏城实验室）

细粒度视觉识别是将具有视觉相似外观的对象分类到子类别中，随着深度CNN的发展取得了很大进展。然而，处理不同子类别之间的细微差异仍然是一个挑战。在本文中，我们建议在一个统一的框架内从两个方面解决这个问题，即，构造特征级相互关系，以及捕获部件级区别特征。这个框架，即PART引导的关系Transformers（PART），提出了学习的判别零件特征的自动发现模块，并探索与特征转换模块的内在相关性，通过适应自然语言处理领域的Transformer模型。部分发现模块有效地发现与梯度下降过程高度对应的有区别的区域。然后，第二特征变换模块在全局嵌入和多部分嵌入内建立相关性，增强语义像素之间的空间交互。此外，我们提出的方法不依赖于额外的部分分支的推理时间，并达到了最先进的性能3广泛使用的细粒度对象识别基准。实验结果和可解释的可视化证明了我们所提出的方法的有效性。代码可以在https://github.com/iCVTEAM/PART上找到。

2022-12-28cs.CV

FusiformNet：在不同层次上提取有区别的面部特征

FusiformNet: Extracting Discriminative Facial Features on Different Levels

在过去的几年里，基于深度神经网络的面部识别研究已经发展了特定于任务的损失函数，图像归一化和增强，网络架构等方法。假设人与人之间的差异被发现一般和局部的人脸，我提出FusiformNet，一个新的框架，利用的性质，歧视性的面部特征的特征提取。在Wild基准测试中对Labeled Faces的Image-Unrestricted设置进行测试，该方法在没有标记外部数据，图像增强，归一化或特殊损失函数的情况下实现了96.67%的最新准确率。同样，当在CASIA-WebFace数据集上进行预训练时，该方法的性能也与以前的最先进技术相当。考虑到其提取一般和局部面部特征的能力，FusiformNet的实用性可能不仅限于面部识别，还可以扩展到其他基于DNN的任务。

2020-11-26cs.CV

多视点主动细粒度识别

Multi-View Active Fine-Grained Recognition

Beijing University of Posts and Telecommunications（北京邮电大学）

随着细粒度视觉分类（FGVC）的发展，相关的研究工作已经揭示了一个关键的方向--发现有区别的局部区域，揭示细微的差异。然而，与识别静态图像内的视觉内容不同，对于识别真实物理世界中的对象，区分信息不仅存在于可见的局部区域内，而且隐藏在其他不可见的视角中。换句话说，除了关注与整体有区别的部分之外，为了高效准确地识别，还需要通过几眼来推断关键视角，例如，人们可能一眼就能认出一辆“奔驰AMG GT”，再看看它的排气管就能知道它是哪一年的车型。本文回到现实，提出了主动细粒度识别（AFGR）问题，并分三步完成了这项研究：（i）收集了一个分层的、多视角的、细粒度的车辆数据集作为测试床;（ii）设计了一个简单的实验来验证不同视角对FGVC的贡献不同，不同类别具有不同的区分视角，（iii）采用基于策略梯度的框架来实现具有主动视图选择的高效识别。综合实验表明，该方法提供了一个更好的性能效率的权衡比以前的FGVC方法和先进的神经网络。

2022-06-02cs.CV

面向动作识别的基于原子动作的知识引导解缠

Knowledge-guided Disentanglement with Atomic Actions for Action Recognition

Xidian University（西安电子科技大学）；National University of Defense Technology（国防科技大学）；Human Institute of Advanced Technologyy（人类高级技术研究院）；Shanghai Road Transport Development Center（上海市道路运输发展中心）

本文提出KDA方法，用LLMs分解动作标签为原子动作，经KIM和KDM解缠，在多标签动作识别基准上达SOTA性能，且模块可通用集成。

2026-08-05cs.CV

用于动作识别的无监督视频域适应：一个解耦的视角

Unsupervised Video Domain Adaptation for Action Recognition: A Disentanglement Perspective

ByteDance（字节跳动）；National University of Singapore（新加坡国立大学）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）；University of Technology Sydney（悉尼科技大学）

本文首次从解耦视角解决无监督视频域适应问题，提出TranSVAE框架分别处理空间与时间域差异，通过约束潜在因素和对抗学习显著提升了动作识别性能。

2023-10-24cs.AIcs.CVcs.LG

用于鲁棒SAR车辆识别的层次解耦-对齐网络

Hierarchical Disentanglement-Alignment Network for Robust SAR Vehicle Recognition

College of Electronic Science and Technology, National University of Defense Technology（国防科技大学电子科学学院）

本文提出了一种名为HDANet的层次解耦-对齐网络框架，通过域数据生成、多任务辅助掩码解耦和目标特征域对齐三个模块，解决SAR车辆识别中类内差异大、类间差异小及数据集缺乏的问题，在MSTAR数据集上展现出鲁棒性。

2023-10-13cs.CV

CMD-HAR：基于交叉模态解耦的可穿戴人类活动识别

CMD-HAR: Cross-Modal Disentanglement for Wearable Human Activity Recognition

CMD-HAR通过交叉模态解耦和时空注意力机制，提升可穿戴设备中人类活动识别的准确性和部署效率。

2026-02-05cs.AIcs.CV

原型实例语义解耦与低秩正则化子空间聚类用于WSI可解释识别

Prototype Instance-semantic Disentanglement with Low-rank Regularized Subspace Clustering for WSIs Explainable Recognition

Columbia University（哥伦比亚大学）；Hong Kong Polytechnic University（香港理工大学）

本文提出PID-LRSC框架，通过低秩正则化子空间聚类和增强对比学习解决WSI中实例与语义耦合问题，提升模型可解释性和诊断可靠性。

2026-02-16cs.CV

面向跨受体EMG模式识别的双分支对抗性特征解缠技术

Towards Cross-Subject EMG Pattern Recognition via Dual-Branch Adversarial Feature Disentanglement

Graduate School of Advanced Science and Engineering, Hiroshima University（hiroshima大学先进科学与工程研究生院）

本文提出一种双分支对抗性神经网络，通过特征解缠实现无需校准的跨受体EMG模式识别，并在任务不变生物识别中展现潜力。

2025-06-18cs.CVcs.HC

共现偏差的一种解决方案：基于互信息最小化的行人属性识别属性解耦

A Solution to Co-occurrence Bias: Attributes Disentanglement via Mutual Information Minimization for Pedestrian Attribute Recognition

Beihang University（北京航空航天大学）

针对行人属性识别中的属性共现偏差问题，提出属性解耦特征学习方法，通过互信息最小化确保属性识别独立性，在真实数据集上取得最优性能。

2023-07-28cs.CV

基于特征分解和GCN的无监督域自适应医学图像分类

Unsupervised Domain Adaptation Using Feature Disentanglement And GCNs For Medical Image Classification

Inception Institute of AI（Inception人工智能研究院）

深度学习的成功为许多医学图像分析任务设定了新的基准。然而，在训练（源）数据和测试（目标）数据之间存在分布变化的情况下，深度模型往往无法泛化。一种通常用于对抗分布偏移的方法是域自适应：使用来自目标域的样本来学习解释偏移的分布。在这项工作中，我们提出了一种无监督的域自适应方法，该方法使用图神经网络，并将语义和域不变结构特征分离，从而在分布变化中获得更好的性能。我们提出了一个扩展交换自动编码器，以获得更多的歧视性功能。我们测试了两个具有挑战性的医学图像数据集的分布变化-多中心胸部X射线图像和组织病理学图像的分类所提出的方法。实验表明，我们的方法实现了国家的最先进的结果相比，其他领域的适应方法。

2022-06-27cs.CVeess.IV

SCD-Net：用于自监督基于骨架动作识别的时空线索解耦网络

SCD-Net: Spatiotemporal Clues Disentanglement Network for Self-supervised Skeleton-based Action Recognition

School of Artificial Intelligence and Computer Science, Jiangnan University（江南大学人工智能与计算机学院）

本文提出自监督对比学习框架 SCD-Net，通过解耦时空线索并引入带结构约束的掩码策略，在多个基准数据集的下游任务上显著优于现有 SOTA 方法。

2023-09-11cs.CV

文本引导的跨模态步态识别特征解耦

Text-guided Feature Disentanglement for Cross-modal Gait Recognition

Fujian Key Laboratory of Urban Intelligent Sensing and Computing, Xiamen University（福建城市智能感知与计算重点实验室，厦门大学）；Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University（多媒体可信感知与高效计算重点实验室，中华人民共和国教育部，厦门大学）

针对LiDAR与RGB相机之间的模态差异，提出TCFDNet网络，利用文本先验引导解耦模态共享特征，通过CLIP对齐、特征解耦和稳定性增强实现跨模态步态识别，在SUSTech1K和FreeGait数据集上达到最优性能。

2026-05-29cs.CV