本研究探讨深度分类器的训练动态，分析类别层次关系在训练中的演变。提出新框架以追踪特征流形变化，发现上位词学习在早期明显，下位词学习在后期进行，揭示深度学习的新见解。

本文研究了深度分类器的性能差异，发现分类器在医学成像和保护特性方面将个体分为子群的能力存在显著差异，并且这一特性对算法偏见具有预测作用。通过理论分析和经验评估，发现子群分离性、子群差异以及训练数据中的系统偏差会导致性能下降。这些发现为理解模型偏见提供了新视角，并为公平的医学成像人工智能的发展提供了重要见解。

该研究提出了一种基于图像输入的自动停车位检测和占用分类算法。该算法通过在鸟瞰图上进行聚类来检测停车位，并使用特定训练的深度分类器对每个停车位进行占用或空置的分类。该方法在公开数据集上进行了评估，显示出较高的停车位检测效率和对非法停车或经过车辆的稳健性。训练的分类器在停车位占用分类方面准确性较高。