该文章介绍了一个两阶段的fMRI表示学习框架，生成高分辨率和语义准确的图像。实验结果显示该模型在语义分类准确率上比先前最先进的方法提高了39.34％。

该文介绍了一种以形状为中心的表示学习框架，通过形状特征传播、红外形状补偿和外观特征增强等方法来解决可见-红外人物重新识别方法中的挑战，取得了显著的结果。

该文介绍了一种表示学习框架，仅依靠代理执行的动作作为唯一的监督信号，可以从各种观测中提取代理和外部物体在物理空间中的位置，并正确提取它们的位置。

本文介绍了一个两阶段的fMRI表示学习框架，通过降噪和调整特征学习者来生成高分辨率和语义准确的图像。实验结果表明，该模型在生成图像方面的准确率比先前最先进的方法提高了39.34％。

该研究提出了Ske2Grid，一种用于改进基于骨骼的动作识别的新型表示学习框架。Ske2Grid通过定义规则卷积操作在人体骨骼的新颖网格表示上构建和学习紧凑的图像样式的网格块，并提出了三种新的设计来增强网格表示的表达能力。实验证明，Ske2Grid在六种基于骨骼的动作识别数据集上明显优于现有的基于图卷积网络的解决方案，且无需额外修饰。