本文介绍了一种新型的3D重建方法，结合占据网络和点云补全技术，显著提高了对象分类和分割的精度。研究展示了在点云生成和补全方面的优越性能，尤其在处理不完整数据时，能够有效重建高质量的3D点云。

本文介绍了DPatch，一种针对现代计算机视觉系统的对抗性黑盒贴片攻击方法。DPatch能够同时攻击边界框回归和对象分类，展现出高转移性和实用性。此外，研究提出了多种防御措施和新颖的对抗补丁生成方法，显著提高了攻击的成功率和鲁棒性。

YOLOv3是一种高效的目标检测算法，能够快速准确地检测对象。它使用一次性检测方法，同时完成对象分类和边界框回归。采用Darknet-53作为主干网络，使用特征金字塔网络实现多尺度检测，预测对象位置时使用预定义的锚框。适合实时视频流处理，广泛应用于工业界和学术界。

本研究使用提示调整的视觉语言模型改善复合分类器性能。通过约束提示调整，复合模型在对象分类和属性分类数据集上的准确度与最佳基本模型相差不到2.5％，在UTZappos上平均提高了8.45％分类准确率。

本文介绍了一种双重跳过网络，通过处理人类大脑的左右不对称性实现了粗到细的对象分类。通过学习层绕过机制，提高了模型的灵活性和实用性。在多个目标分类基准上评估，证明了该网络模型具有良好的性能和灵活性。