我们介绍了一个适用于任何物理环境中的个体树木映射的评价框架，并对不同方法和深度架构进行了回顾和比较。我们引入了一种新的方法，证明它在分割和检测之间是一个很好的折中方案。

该论文介绍了DP-Net，一种利用预训练的CNN和基于部分的识别模块的深度架构。DP-Net能够学习并检测图像中具有区别性的部分，无需微调CNN，具有可扩展性。该论文提出了图像和类别层面上的解释，并在部分学习过程中引入特定约束，使其更具区分度。

该论文介绍了一种名为DP-Net的深度架构，利用预训练的CNN和基于部分的识别模块学习并检测图像中具有区别性的部分，具有较强解释能力，可扩展性强。

本研究总结了神经网络中非线性激活函数的使用情况，并在MNIST分类任务上进行了实证分析，确定最佳函数。研究还探讨了深度架构和初始化方案对神经网络的影响，提供了一个在MNIST分类任务中获得高准确度的最优神经网络架构。

本文介绍了一种基于简单的深度架构的策略，通过精细地设计架构的每个组件以及有效训练来实现人物重新识别的最佳实践。该方法能够比复杂的具有补充部件的方法更好地定位和对齐具有识别性的图像区域，并提出了一种类似于隐式注意力机制的训练表示方法。经过在四个基准数据集上的广泛评估，该方法可以比其他复杂方法更好地实现人物重新识别。