DeeSIL是一种增量学习算法，使用深度表示的特征提取器和独立的浅层分类器来增加识别容量。在ImageNet LSVRC 2012数据集上表现更好。

该论文提出了一种循环框架，用于联合无监督学习的深度表示和图像聚类。该模型通过在CNN输出的表示层上堆叠聚类算法的连续操作的循环过程，在前向传递中进行图像聚类，在后向传递中进行表示学习。该方法在各种图像数据集的图像聚类中表现优于现有技术，并且学习到的表示在转移到其他任务时具有很好的通用性。

该研究提出了一个通用的、传感器无关的多模态多目标跟踪框架，通过编码点云的深度表示来保证每种模态的可靠性，并通过多模态融合模块提高精度。