本文提出了一种名为 TD-CEDN 的深度轮廓检测算法，该算法采用自上而下的完全卷积编码器 - 解码器网络，并在多尺度、多级特征学习以及前向传播阶段获得原始特征图，然后采用自下而上的方式进行解码，并使用各层次的特征进行迭代式的反卷积操作来实现基于像素级别的预测，从而取得了在 BSDS500、PASCAL VOC2012 和 NYU Depth 数据集上的最优效果。

May, 2017

使用基于 ResNet 的多路径细化 CNN 用于对象轮廓检测，利用高、中、低级别特征融合的方法进行网络训练，实现了边缘检测任务的最佳性能，最终在经过改进的 PASCAL-val 数据集上获得了 ODS 值 0.752，同时，在 BSDS500 数据集上进行微调，实现了 ODS 值 0.824，达到了当前领域的最优水平。

Apr, 2019

本文介绍一种利用 DenseNet 和 SVM 进行每像素分类的边缘检测方法，并在 BSDS500 上验证了不同 CNN 层对每像素特征结合的效果。

Apr, 2015

本文提出一种基于卷积神经网络和语义分割的目标检测系统，利用迭代定位机制，通过高效运用模块来检测物体，并在 PASCAL VOC 数据集上获得了比其他方法更高的检测精度。

May, 2015

本文提出了一种利用目标相关特征进行轮廓检测的多尺度深度网络，取得了当前最先进的轮廓检测效果。

Dec, 2014

本文提出一种基于学习反卷积网络的新颖语义分割算法，其中反卷积网络由反卷积层和上采样层组成，能够在像素级别上识别图像中的类别标签和预测分割掩模，通过将结果合并得到最终的分割图像，并且可以自然地处理多尺度下的物体和识别细节结构，在 PASCAL VOC 2012 数据集上进行实验，通过与完全卷积网络的集合学习，取得了最好的 72.5% 精度。

May, 2015

本文介绍了如何在最小化计算成本的同时，通过采用和组合最新技术创新来实现多类别物体检测任务的最先进准确度。设计原则是 “少通道多层”，采用了一些基本块，包括拼接 ReLU、Inception 和 HyperNet， 在 VOC2007 上达到 83.8％的 mAP，VOC2012 为 82.5％mAP（第 2 名），仅使用 Intel i7-6700K CPU 单核时，每张图像仅需 750ms，在 NVIDIA Titan X GPU 上为 46ms / 图像，其网络与 ResNet-101 相比，计算成本只需 12.3％。

Aug, 2016

采用 DeepEnsembleCoco 的方法，利用 R-CNN 模型与深度 CNN 模型的集成来实现在目标检测方面取得最新的成果，并且在 PASCAL VOC 2012 比赛中的表现已超过以往所有的方法。

Jun, 2015

提出一种基于编码器 - 解码器神经网络的动态目标分割方法，通过使用预训练的卷积网络对图像进行特征嵌入，利用反卷积网络进行特征与图像的转换，该方法在 Change Detection 2014 挑战赛中表现优于现有所有最先进的方法，达到了 0.9770 的平均 F-measure。

Jan, 2018

本论文提出了一种联合多任务网络设计，用于同时学习目标检测和语义分割，以实现低功耗嵌入式 SOC 上的实时性能，并在两个公共数据集（KITTI，Cityscapes）和私人鱼眼相机数据集中评估提出的网络。

Jan, 2019