本文介绍了一种基于深度卷积自编码神经网络的画家分类新方法，分类准确率从90.44%提高至96.52%。研究还提出了弱监督检测绘画作品中物体的方法，结合多实例学习，减少了手动标记的需求。此外，探讨了AI生成艺术的分类与管理，使用迁移学习和机器学习实现画家的自动识别，分类准确率达到85%。

本文介绍了一种基于计算机视觉的算法，通过多样性特征融合和区域投票技术，解决艺术品图像检索问题。研究提出的弱监督检测方法仅需图像级注释，结合多实例学习，能够快速学习新绘画类别。实验结果表明，放弃实例级注释的性能损失微小，有助于艺术史学家探索大型数字数据库。

本文回顾了过分布（OOD）检测的最新进展，提出了多种方法和框架，如弱监督检测、类相关性学习和对比学习，强调了其在多模态和自然语言处理中的应用。这些方法在OOD检测性能上优于现有技术，并指出了未来的研究方向。