要说CV领域经久不衰的研究热点，特征提取可以占一席，毕竟SLAM、三维重建等重要应用的底层都离不开它。

再加上近几年深度学习兴起，用深度学习做特征提取逐渐成了主流，比传统算法无论是性能、准确性还是效率都更胜一筹。

目前比较常见的深度学习特征提取方法有基于transformer、基于CNN、基于LSTM以及基于GAN，都发展的比较成熟。但为了追求更快速、准确、鲁棒的特征点提取，研究者们开始致力于改进深度学习特征提取技术，所以这方向同样也成了发文热门选择，想发论文的同学可以考虑。

最近这方向一些阶段性的结果已经发表了，如果idea难找可以参考参考，我这边直接帮大家省了查找的时间，已经根据上述四种常用方法分别整理了12篇最新的论文，开源的代码已附，大家别错过哦。

论文原文+开源代码需要的同学看文末

基于transformer

T-frex: A transformer-based feature extraction method from mobile app reviews

方法：论文提出一种基于Transformer的特征提取方法，称为T-FREX。该方法使用大型语言模型（LLMs）对移动应用程序评论进行基于标记分类的方法进行了实证评估，以支持特征提取，在不同的数据配置（领域外 vs 领域内）和多个应用程序类别下探索和讨论了多个模型（BERT，RoBERTa，XLNet）的性能。

创新点：

• 通过使用LLMs进行基于标记分类的方法，支持移动应用程序评论中的特征提取，提出了一种全新的自动化方法T-FREX。

• 提出了将特征提取重新定义为NER任务的方法，通过LLMs对移动应用程序评论中的标记进行分类，从而提高了特征提取的性能。

• 创造性地利用真实用户的地面真实特征注释和外部人员评估，扩展了特征领域的范围和知识体系。

基于CNN

Prosperous Human Gait Recognition: an end-to-end system based on pre-trained CNN features selection

方法：论文提出了一种基于CNN的特征提取方法，用于人体步态识别。该方法包括原始视频帧的预处理、使用预训练的CNN模型Densent-V3进行CNN特征提取、基于混合选择方法对提取的向量进行特征降维，最后使用监督学习方法进行识别。

创新点：

• 提出了一种新颖的基于深度学习的人体步态识别方法，通过预训练的CNN模型提取特征，并通过融合多个层次的特征和Firefly算法和Skewness方法进行特征选择，最终使用OAMSVM进行识别。

• 在CASIA B数据集的三个不同角度的评估中，分别获得了94.3％，93.8％和94.7％的识别准确率，相较于现有的技术有显著的提升。

基于LSTM

A RSBU-LSTM network for radio frequency fingerprint identification relying on multiple features

方法：论文提出了一种基于长短期记忆网络的特征提取方法，用于无线电频率指纹识别。RSBU-LSTM网络模型使用了多个特征和多个RSBU来提取信号特征并抑制噪声。同时，采用LSTM提取非相邻周期信号的相关特征，并通过全连接（FC）层进行设备识别。

创新点：

• 不同于直接将数据输入到卷积神经网络(CNN)，该文考虑了信号的实部、虚部和相位信息，使得信号输入更加全面。

• 通过使用多个残差收缩建模单元(RSBU)抑制噪声并提取相关特征，并结合长短期记忆(LSTM)提取非相邻信号周期和多个信号周期之间的相关特征，实现了对无线设备的个体识别。

基于GAN

Enhancing quality of pose-varied face restoration with local weak feature sensing and gan prior

方法：论文提出了一种基于生成对抗网络（GAN）的特征提取方法，用于盲人脸恢复。该网络利用局部弱特征感知和生成对抗网络（GAN）先验来增强变化姿势人脸图像的质量，采用混合多路径残差块（MMRB）来提取输入图像的弱纹理特征，通过跳跃连接实现不同尺度特征的空间交互和聚合。

创新点：

• 提出了一个全新的盲目人脸修复网络，结合了生成式人脸先验，可以提高具有复杂面部姿势和严重退化的人脸图像的质量。

• 设计了一种新颖的自监督训练策略，该策略在StyleGAN2先验模型中冻结了预训练的鉴别器（FreezeD），并与编解码器共同微调生成器。

• 提出了一种MMRB层，它采用两个分支的稀疏结构来提取不同尺度的特征，并通过跳跃连接实现共享特征的空间交互和聚合。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“改特征提取”获取全部论文+开源代码

码字不易，欢迎大家点赞评论收藏