本文介绍了两种不同的深度神经网络结构：一个标准的全连接的多层网络和一种特别设计用于该任务的检测网络 (DetNet)。我们将投影梯度下降算法的迭代展开成网络，获得了 DetNet 的结构。我们比较了这两种方法的准确性和运行时间，并成功地在保持低计算要求的情况下实现了最先进的性能。此外，我们成功地使用单个网络检测了整个频道分布，并考虑了软输出检测。我们证明这些网络可以被轻松地修改为产生软决策。

May, 2018

本文提出了一种新算法来检测语义线。通过利用富含上下文信息的镜像注意力模块，从三个网络（具有镜像注意力的检测网络 D-Net 和比较排序匹配网络 R-Net 和 M-Net）中提取语义线，然后通过成对比较迭代选择最具语义性的语义线并移除与所选线重叠的冗余线，证明了该算法显著优于传统语义线检测器，并成功应用于检测主要平行线和反射对称轴。

Mar, 2022

本文提出了 HITNet，一种新型神经网络结构，用于实时立体匹配。该算法使用多分辨率初始化步骤、可微 2D 几何传播和变形机制推断差异假设，是一种具有高灵敏度的架构，可在多个分类指标上获得最好的表现。

Jul, 2020

本论文介绍了 Sym-NET，这是第一个用于检测深度学习神经网络的反射和旋转对称性的模型，在人类感知的对称性、基于图像的计算机视觉竞赛中获得了最佳表现。

Apr, 2017

本文提出了一种基于位置感知的深度学习单图像去反射新方法，在该网络中，反射检测模块回归一个概率性反射信念图，采用多尺度拉普拉斯特征作为输入，设计了一种递归网络，用于逐步精细调整照射和反射层。

Dec, 2020

本文提出多阶段变形卷积神经网络用于目标检测，使用新的变形约束池化层来建模对象部分的变形，并提出多阶段训练策略和预训练策略来优化多个难度级别的分类器以及改变神经网络结构、训练策略来得到一组具有较大多样性的模型，在 ILSVRC 2014 中排名第二，显著提高了目标检测的平均精度。

Sep, 2014

本文介绍了一种新型的网络架构，MergeNet，用于在自动驾驶的场景下发现小型障碍物。基于对使用少量数据进行训练的重视，我们提出了一种多阶段训练过程，包括权重共享、低级和高级特征的单独学习以及学习获得互补特征的优化步骤。该模型在 Lost and Found 数据集上进行了训练和评估，并且仅使用了 135 张图像就能实现与之前基准使用的 1000 张图像相同的表现。此外，我们还将我们的结果与最近训练了 6000 张图像的方法进行了比较，并显示我们的方法仅使用 1000 个训练样本就能达到相当的性能。

Mar, 2018

本文提出了一种深度神经网络结构，利用边缘信息解决图像分割和图像滤波等代表性的低级视觉任务，通过估计边缘和重建图像，采用级联卷积层排列的方法解决这些具有挑战性的问题，而无需使用专门的手工或应用程序特定的图像处理组件，并将得到的可转移管道应用于两个对边缘敏感的问题领域，单张图像反射去除和图像平滑。

Aug, 2017

本文介绍了一种基于 LiDAR 的多任务网络 LidarMultiNet，它将 LiDAR 的三个主要感知任务：3D 物体检测，语义分割和全景分割统一起来。通过使用全局上下文汇聚（GCP）模块提取全局上下文特征，任务特定的头被添加到网络的顶部执行三种任务。LidarMultiNet 在 Waymo Open Dataset 和 nuScenes 数据集 上进行了广泛的测试，表明主要 LiDAR 感知任务可以在单个强网络中统一，并在既有 API 上取得最佳结果。

Sep, 2022

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