本研究提出了一种名为EAPCR的通用特征提取器，旨在解决深度学习在处理多源异构数据时缺乏明确特征关系的问题。EAPCR在多个科学任务中表现出色，超越传统方法，展现出强大的鲁棒性和适应能力，为科学数据分析提供了新解决方案。

本文探讨了少样本分割（FSS）中的新方法，提出通过优化损失函数和引入基础学习者来提升模型性能。研究表明，跨领域少样本分割需要有效的知识转移，并提出双向少样本预测和迭代适配器以降低过拟合风险。此外，比较了多种视觉基础模型，强调了稳健特征提取器的重要性，为未来研究提供了新见解。

本文提出了一种基于transformer的特征提取器KI2HOI，改进了零样本人物-物体交互检测。通过动词提取解码器和视觉语义模块，该模型在HICO-DET和V-COCO数据集上表现优异。同时，采用虚拟图像学习和功能相似性方法，解决了类别不平衡问题，显著提升了检测精度。

研究发现传统联邦学习方法在面对数据异质性时表现欠佳。FedAvg中的特征提取器优于大多数个性化联邦学习方法的特征提取器。通过线性变换对特征进行对齐，FedAvg可以超越大部分PFL方法。为解决不匹配问题并增强特征提取器质量，提出了一种名为FedPFT的新型PFL框架。实验证明，FedPFT的性能超过了最先进的方法，提高了7.08%。

本文比较了医学图像中计算Fréchet距离（FD）的特征提取器，发现基于ImageNet的提取器一致性较好，但只有SwAV与医学专家判断相关。RadImageNet的FD表现不稳定，建议谨慎使用。提出偏度内插距离（SID）作为新的评估标准，实验表明其在生成模型评估中优于FID。研究发现现有指标与人类感知存在差距，建议开发更可靠的特征提取器以促进生成模型的发展。

本文研究了通过在计算机视觉系统中使用记忆来改进视频流中的物体检测的精度和减少计算时间的问题。通过交替使用传统的特征提取器和轻量级的提取器，展示了在存在时间记忆的情况下，进行准确检测所需的计算量很小。同时，展示了记忆可以应用于强化学习算法来学习自适应推断策略。该模型在 Imaget VID 2015 数据集上实现了最先进的性能，并在 Pixel 3 手机上以 70+ FPS 的速度运行。

提出了一种名为CMFDFormer的变压器风格的复制移动伪造检测网络，并提供了一种新颖的PCSD连续学习框架来帮助CMFDFormer处理新任务。通过综合分析CNN风格和MLP风格骨干网络的基础上采用变压器风格网络作为骨干网络，并使用自相关计算、分层特征融合、多尺度循环全连接块和掩码重建块构建PHD网络，实现不同风格的特征提取器的分层多尺度信息提取，从而达到可比较的性能。此外，提出了一种PCSD连续学习框架，以改善伪造的可检测性并在处理新任务时避免灾难性遗忘，该框架限制了PHD网络的中间特征，并利用了立方体池和条带池两者的优势。实验证明了CMFDFormer的良好性能和PCSD连续学习框架的有效性。

本文介绍了一种提升光场相机深度估计性能的深度解耦机制，通过改进特征提取器和网络结构实现最先进性能。还设计了块遍历角度超分辨率策略，减少内存使用量，具有更好的重建性能。

TinySiamese是一种用于生物识别的小型网络，采用预训练CNN作为特征提取器，在多个数据集上实现了高准确性，且只需要不超过7层的低功耗机器即可运行。

该研究介绍了一种利用无人机多光谱图像进行玉米病害检测的流程，采用卷积神经网络作为特征提取器和分割技术，可检测多种病害。该技术为农业领域的自动病害检测提供了先进的机器学习和深度学习架构。

该研究提出了一种跨受试研究的两阶段模型合奏架构，用于处理电极脑电图（EEG）数据。该架构由多个特征提取器和共享分类器构建，并在两个损失项中端到端训练。该方法在两个大型MI数据集中优于所有方法，同时使用更少的可训练参数，解决了多受试EEG数据集中的领域漂移问题，为无标定BCI系统铺平了道路。

本文介绍了一种无监督类增量学习方法，用于在无标签集上发现新类别。该方法通过微调特征提取器和代理锚点，在无标签数据集上进行样本划分和聚类，并生成代表性类别向量以减轻灾难性遗忘。实验证明，该方法在细粒度数据集上优于现有技术手段。

本文提出了一种用于在线连续学习问题的简单算法，采用kNN分类器和通用预先训练的特征提取器。该算法能够在小的计算预算下紧凑存储和利用整个数据流，减少过往数据的遗忘并快速适应变化的数据流。在CLOC和CGLM两个大规模OCL数据集上取得了最新的技术水平。

本文提出了一种无监督类增量学习方法，用于在无标签集上发现新类别。该方法通过微调特征提取器和代理锚点，在有标签数据集上进行训练，然后在无标签数据集上进行样本划分和聚类，以发现旧类别和新类别。同时，利用基于代理锚点的示例生成代表性类别向量以减轻灾难性遗忘。实验证明，该方法在真实场景下的细粒度数据集上优于现有技术手段。