- 审视装扮以解析服装
基于全卷积神经网络，在衣服解析问题中引入了服装套装编码器和条件随机场，能够有效处理衣服语义和上下文信息。在 Fashionista 和 CFPD 数据集中取得了最佳的解析效果，并利用基于 Web 的多尺度像素级注释工具对当前解析基准测试的影 - ICLR结构化注意力网络
本文研究了如何将更丰富的结构分布用于深度神经网络中的嵌入式分类推理，通过两种不同的结构注意力网络：线性链条件随机场和基于图形的解析模型的实验，展示了这些结构的注意力网络超过了基线的注意力模型在各种合成和真实任务中的表现。
- SMPOST: 用于代码混合的印度社交媒体文本的词性标注器
研究社交媒体上社会语言的使用及其对自然语言处理的影响，参考三种不同语言对的社交媒体数据，通过条件随机场分类器开发出一个基于富有语言特征的词性标注系统。
- CVPR一种允许端对端训练任意成对势函数的 CRF 推理的投影梯度下降方法
通过开发新的推理和学习框架，挑战当前视觉社区流行的基于高斯势函数的条件随机场模型，该框架可以通过梯度下降来学习成对的条件随机场势函数，可以考虑标准的空间和高维双边核，可用于深度神经网络中端到端地训练以提高语义分割的准确性。
- 6D 物体位姿估计的全局假设生成
本论文提出了一种使用全局推理的新型全连接 CRF 方法来生成位姿假设池，相较于基于局部推理的方法，该方法提供了超过当前难度较大的 “被遮挡物体数据集” 位姿估计最新技术的结果。
- 一种学习非线性边缘特征的新循环神经 CRF 模型
介绍了一种新的递归神经条件随机场模型，学习了非线性边特征，与其他神经模型相比，该模型在 NP 语块划分、浅层解析、中文分词和 POS 标注等结构化预测任务中表现更好。
- DeepLab：通过深度卷积网络，空洞卷积和全连接 CRF 进行语义图像分割
本文提出了一种利用 Deep Learning 完成语义图像分割的方法，通过引入 atrous convolution 以及 atrous spatial pyramid pooling 来解决对象掩模问题，并结合 max-pooling - DeepCut: 使用卷积神经网络从边界框标注进行对象分割
本文提出了 DeepCut 算法，使用神经网络分类器和 CRF 条件随机场以及弱监督技术，从带有边界框标注的图像数据集中训练对象分割模型，取得了在胎儿磁共振图像数据集的脑和肺分割问题上具有良好精度的结果。
- 基于深度特征的目标检测上下文模型
本文提出了一种综合局部外观特征，对象关系的上下文信息和全局场景上下文特征的集合物体检测系统，该系统采用基于对象建议的完全连接条件随机场（CRF）进行建模，并利用快速平均场近似方法有效地进行 CRF 模型中的推理，实验结果表明，与基线算法 F - 基于联合卷积神经场的单图像深度预测和内在图像分解
文章提出了一种利用联合 CRF 和卷积神经网络解决单个图像预测深度图和本征图的方法，该方法命名为联合卷积神经场模型 (JCNF)，该方法在单图深度估计和本征图分解两个任务上均超越了现有方法。
- 端到端语音识别的分段循环神经网络
研究了段落循环神经网络在端到端声学建模中的应用，不依赖于外部系统提供特征或分割边界，通过神经网络进行特征提取，具有自我完备性，可实现端到端训练，实验表明在语音识别领域中表现良好。
- 基于自顶向下线索增强场景文本识别的能量最小化框架
本文讨论了场景文本识别的问题，引入了能量最小化框架，提出了一个模型来识别来自街道图像的裁剪单词，利用自底向上和自上而下的线索来解决问题。条件随机场模型被用于建模最佳单词，并在街景文本、 ICDAR 2003、2011 和 2013 数据集以 - ECCV深度神经网络中的高阶条件随机场
该研究通过在深度网络中嵌入结构化的 CRF，将包含目标检测和超像素等等高级潜在因素的方法应用于语义分割任务中，实现了 PASCAL VOC 基准上最佳分割性能。
- ICLR分段循环神经网络
引入了分段循环神经网络（SRNN），并使用全局半马尔可夫条件随机场来集成本地兼容性分数，从而在手写识别和汉语分词 / 词性标注方面获得了显着更高的准确性。
- ICLR最大化 AUC 的深度卷积神经场用于序列标记
本文介绍了 Deep Convolutional Neural Fields（DeepCNF），它是 DCNN 与 Conditional Random Field（CRF）的结合体，用于高度不平衡的标签分配在序列标记中，我们介绍了一种新的 - ICCV多个可穿戴摄像头视频中的共同兴趣人物检测
本文提出一种新的方法，利用人的运动模式跨多个可穿戴相机视频，并建立条件随机场模型来确定引起最多相机佩戴者关注的共同兴趣人，消除了传统视频共同分割 / 定位中的外观匹配问题。
- 序列标注的双向 LSTM-CRF 模型
本文研究了基于 LSTM 模型的序列标注技术，通过引入双向 LSTM 和条件随机场 (CRF) 层提高了模型的准确性和鲁棒性，实现了对 POS、chunking 和 NER 等序列标注数据集的最先进性能。
- 使用深度卷积神经场从单目图像中学习深度
本文提出了一种使用卷积神经网络和条件随机场的深度学习模型，针对单目图像的深度估计问题，其中结构化的学习框架学习连续 CRF 的一元和二元势函数；基于全卷积网络和新的超像素池化方法，提出了一种更有效的模型，在室内外场景数据集上表现优于现有的深 - 深度卷积网络与全连接 CRF 的语义图像分割
该研究论文结合深度卷积神经网络和概率图模型的方法来解决像素级分类（语义图像分割）任务中深层网络往往无法精确定位目标分割的问题，并通过将深层网络的响应与全连接条件随机场相结合，提出了一种 DeepLab 系统。定量实验表明，该方法在 PASC - 无约束文本识别的深度结构化输出学习
本研究提出一种基于卷积神经网络和条件随机场的模型，通过预测字符和 N-grams 以识别自然图像中词语，同时实现多任务学习，无需有固定的单词列表，实验证明其在标准实际文本识别基准中的准确性优于仅预测字符，也达到了有限词汇识别的最高精度。