本研究提出了一种基于形状特征的患者-通气机不同步（PVA）检测方法SHIP，旨在提高检测的准确性和可解释性。通过数据增强技术解决了数据集不平衡的问题，实验结果表明SHIP显著改善了PVA的检测效果。

本文提出了一种基于对比学习的局部外在对称性检测方法，能够提取鲁棒的局部形状特征，并在多个任务中表现优异。我们引入了新的基准测试，并结合区域增长算法实现3D形状的划分。

CEConvs是一种新的深度学习建模方法，通过参数共享的色调变换实现了跨颜色频谱的形状特征共享，保留重要的颜色信息。实验结果表明，CEConvs对各种任务的下游性能和对颜色变化的改善稳健性具有潜力。

该文介绍了一种以形状为中心的表示学习框架，通过形状特征传播、红外形状补偿和外观特征增强等方法来解决可见-红外人物重新识别方法中的挑战，取得了显著的结果。