本研究提出高斯假设开放集技术（GHOST），旨在解决开放集识别中的性能评估不足问题。通过多元高斯分布建模深度特征，GHOST显著提升了大规模开放集识别的性能，并确保了公平性和准确性。研究结果在多个图像数据集上显示出评估指标的显著提升。

本文提出了一种基于分层细胞自动机的图像显著性检测算法，结合深度特征和贝叶斯框架，效果优于传统方法。同时，研究探讨了神经元细胞自动机在纹理生成和复杂动态建模中的应用，展示了其在生物模式形成和强化学习任务中的潜力。

本文介绍了一种适用于低内存嵌入式设备的快速分割卷积神经网络（Fast-SCNN），通过多个分辨率分支同时计算低级特征和高级特征，实现了高分辨率的空间细节与深度特征的结合。在 Cityscapes 数据集上，该网络以每秒 123.5 帧的速度获得了 68.0％的平均交并比准确率。

本文介绍了一种名为CodingNet的新型多视角聚类网络，通过无监督学习探索深度和浅层特征之间的多样性和一致性信息，并使用双重对比机制保持深度特征的一致性。实验证明该框架在六个基准数据集上的有效性超过了其他多视角聚类算法。