SeRankDet是一种深层网络，通过非线性的Top-K选择过程和选择性Rank感知注意力模块提高准确性。它还使用Large Selective Feature Fusion模块和扩张差异卷积模块增强了目标识别能力。SeRankDet在多个数据集上表现出色，并提供了代码。

本文介绍了一种通过引入随机局部胜者通吃（LWTA）激活的深层网络来解决元学习问题的方法。该网络能够提取稀疏随机性质的输入数据表示，并在少样本图像分类和回归实验中取得了最先进的预测准确性。此外，在主动学习设置中，该方法还能减少预测误差并降低计算成本。

本论文分析了深层网络对对抗性扰动的不稳定性，并提出了一个分析分类器鲁棒性的理论框架。研究结果显示，选定的分类器在小区分能力任务中对对抗性扰动不具备鲁棒性。