该论文基于深度学习的算法，使用全卷积编码器 - 解码器网络来检测对象轮廓并生成高质量分割对象建议，通过在 PASCAL VOC 和 MS COCO 上进行训练和测试，该算法在较少的候选数情况下相对于基准方法有更高的准确度。

Mar, 2016

本文介绍了一种在检测架构中引入自顶向下调制网络（TDM）的方法，用于将细节信息从底层融入检测任务中，该方法在 COCO testdev 基准测试中实现了 28.6 AP 的效果，无需任何其他技术。

Dec, 2016

本研究提出了一种基于 CPD 框架的新型显著性物体检测方法，通过构建部分解码器，丢弃低分辨率因素以促进加速，在深层次集成特征的基础上，利用生成的显著图来精调骨干网络的特征，从而显著提高显著性目标检测的准确性和速度。

Apr, 2019

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

本文提出了一种利用自顶向下的细化方法增强前馈网络进行物体分割的方法，命名为 SharpMask。该方法构建在 DeepMask 网络的基础之上，不同于当前 skip connection 的输出方法，SharpMask 通过在前馈传递中首先输出一个粗糙的 “掩码编码”，然后再自顶向下利用不断降低的层面上的特征进一步细化这个编码，获得高保真的物体掩码，能够比 DeepMask 在多种环境中提高 10-20% 的平均召回率并且速度更快（每张图片不到 0.8 秒）。

Mar, 2016

使用深度学习模型，通过全卷积神经网络和深度监督网络技术实现图像到图像的预测，提出一种全局学习和多尺度特征学习的新型边缘检测算法 (HED)，在 BSD500 和 NYU Depth 数据集上较以前的基于卷积神经网络的边缘检测算法拥有更快的速度 (平均 0.4 秒每张图像).

Apr, 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

本文提出了一种新颖的设计，即 TDConvED，它在视频字幕生成中充分利用编码器和解码器网络中的卷积，具有卷积块结构，在编码器中进一步配备时间变形卷积以实现时间采样的自由形变，并利用时间关注机制进行句子生成，在 MSVD 和 MSR-VTT 视频字幕生成数据集上进行了广泛实验，在与常规基于 RNN 的编码器解码器技术进行比较时获得更好的结果。

May, 2019

本文提出了极端下采样网络（EDN）和尺度相关的金字塔卷积（SCPC）两种技术用于显著性目标检测（SOD）的高层特征学习和多级特征融合，实现了实时速度下的最新最优性能。

Dec, 2020