本研究基于卷积神经网络为计算视差匹配的成本聚合，并针对 KITTI2012、KITTI2015 和 Middlebury 立体数据集对该方法进行了验证，结果表明其在所有三个数据集上优于其他方法。
Oct, 2015
提出了一种使用卷积神经网络直接对多个图像块进行匹配的方法，从而在计算机视觉中估算场景的深度图。实验表明，与基于成对块相似性的方法相比，该方法具有更好的效果。
Mar, 2017
在卷积内核方法中进行了数据组成特征提取的重要性研究，提出了一个数据驱动的卷积内核方法，通过对其效果进行广泛的研究，证明该方法已经在 CIFAR-10 分类准确性方面取得了与之前更复杂的卷积内核方法相同的准确性，将该方法扩展到 ImageNet 数据集，证明了该方法可以超越所有现有的非学习表示方法，成为目标识别的新基准。
Jan, 2021
本文提出了一种深度学习框架，用于准确的视觉对应，并证明了其在几何和语义匹配中的有效性，提出了一种卷积空间变换器来模仿传统特征（如 SIFT）中的补丁归一化，广泛的 KITTI，PASCAL 和 CUB-2011 数据集的实验表明，与使用手工构建或学习特征的先前作品相比，我们的特征具有显着优势。
Jun, 2016
该研究提出了一种算法，可以分析深度神经网络，找到对网络分类结果 “重要” 的神经元，并自动标记激活这些重要神经元的输入图像部分，进而揭示网络分解图像进行最终分类的过程。
Feb, 2018
该研究试图通过两个方面对 CNN 的内部表示进行探究，即可视化不同层级所构建的表示空间中的补丁和可视化每个层中保留的视觉信息，进而比较不同深度的 CNN 的优势。
Dec, 2014
本研究基于深度卷积神经网络，针对图像生成中的属性变换问题，在两个面部数据集上进行了有量有质的实验，并取得了较为有前途的结果。
Nov, 2015
本文介绍了用于图像补丁分类的卷积补丁网络，并展示了如何将补丁的空间信息作为网络输入以学习空间先验知识，从而应用于道路检测和城市场景理解，成为 KITTI 和 LabelMeFacade 数据集上最先进的方法之一，同时为需要训练 CNs 的人提供了解决方案。
Feb, 2015
本文介绍了一种使用无标签数据训练卷积网络的方法，该方法可用于通用特征学习，通过应用多种变换来区分一组代理类别，获得了比监督学习更具鲁棒性的特征表示，能在几个流行数据集上取得胜于现有结果的分类效果。
Jun, 2014
通过用一种新型卷积神经网络（CNN）来编码不变性的再生核，本文解决了视觉识别中旨在设计对特定变换具有不变性的图像表示的问题， 其中与传统方法不同的是，我们的网络学习在训练数据上逼近核特征映射，从而带来了多个优势，包括获得具有不变性的简单神经网络体系结构，实现与更复杂 CNNs 相似的准确度，以及抵抗过拟合等。