本研究提出了解耦多跨度进化网络（DiMNet），解决了时间知识图推理中子图间结构交互不足的问题。DiMNet通过捕捉局部特征和历史语义信息，显著提升了语义变化模式的捕捉能力，实验表明其推理中的平均排名率提高了22.7%。

本研究探讨数据工程选择对局部特征解释的影响，强调特征表示方法在生成SHAP等特征重要性值时的敏感性，并揭示该领域系统探索的不足。

OpenCV中的自适应阈值算法通过动态计算局部区域的阈值，适用于光照不均或对比度低的图像。其核心思想是根据局部特征调整阈值，使用cv2.adaptiveThreshold函数实现。该算法能保留细节，但计算复杂度较高，适合用于文档处理、车牌识别和医学图像分析等场景。

本研究提出了一种优化的点云补全框架PointCFormer，结合局部特征提取与渐进特征提取，有效捕捉局部几何细节并保持全局结构信息。研究结果表明，该框架在多个基准测试中表现优异。

本研究提出了一种几何点注意力变换器（GPAT），能够有效捕捉零件间的几何相互作用，整合全局形状信息与局部特征，实验结果表明其在姿势估计方面表现优越。

本研究提出了一种新颖的状态空间架构，结合小波变换，提升了传统扩散模型在图像生成中的局部特征感知能力。实验结果表明，该方法在基准测试中优于现有模型，训练收敛更快，输出质量更高。

本研究提出了一种高效的变换器网络架构，解决了局部特征匹配学习的效率问题。该方法在保持匹配准确率的同时，推理速度提升了四倍，显示出广泛的应用潜力。

本文介绍了Patch-NetVLAD方法，通过结合局部和全局描述符，从NetVLAD中提取局部特征，实现特征空间网格上的深度学习。该方法能有效聚合和匹配特征，进行多尺度融合，提升视觉地点识别的稳定性和效率，增强SLAM系统性能。

介绍了一种名为分心网络（DAN）的新面部表情识别网络，通过编码局部特征之间的高阶交互来实现最先进的面部表情识别性能。

本研究提出了一种创新的基于点云的坑洞分割架构（PotholeGuard），通过识别隐藏特征和增强局部特征，提高特征表达。使用本地关系学习模块和K最近邻算法解决点云密度差异和域选择问题。实验证明PotholeGuard在3D坑洞分割方面具有卓越性能。

物理信息导向的神经网络（PINNs）是一种解决偏微分方程的深度学习方法。研究人员提出了一种二进制结构的物理信息导向神经网络（BsPINN）框架，以提高解的准确性和收敛速度。通过采用二进制结构神经网络（BsNN），BsPINNs能够更有效地捕捉解的局部特征。实验结果表明，BsPINNs相较于PINNs具有更好的性能。

提出了一种名为DocBinFormer的文档二值化变换器，用于对文档图像进行二值化分析。该架构利用双级变换器编码器从输入图像中捕获全局和局部特征表示，取得了改进的结果，并在DIBCO和H-DIBCO基准数据集上超过了现有技术的表现。