- 条件信息增益网络
使用条件计算的深度卷积神经网络中的路由机制可以在仅使用计算资源的一部分时实现与无条件基准相媲美甚至更好的模型性能。
- ACL利用堆叠卷积和学生重排网络实现强大的知识图谱补全
本文提出一种基于文本实体表示的卷积神经网络，用于知识图谱补全，实验结果表明，该模型在稀疏情况下表现出色，结合实体重排技术，进一步提高了补全效果。
- 使用具有判别嵌入的全局相关网络进行小样本医学图像分割
本文提出了一种基于全局相关模块和判别性嵌入损失的少样本医学图像分割方法，利用深度卷积神经网络高效准确地进行分割，取得了最新的实验成果。
- 基于外观的凝视估计的偏移校准：凝视分解
使用新型凝视分解方法和单凝视点校准方法，该文提出了一种改进估算凝视点的方法，采用深度卷积网络估算凝视角度的主体独立项，实验结果表明，在消除校准的情况下，所提方法比现有技术的表现好 100％，而通过仅仅使用少量图像校准，误差可以减少多达 35 - 边缘保留图像平滑的基准测试
该研究通过提出一个基准，包括一个带有真实图像结果的图像数据集以及可用于生成具有竞争力的边缘保留平滑结果的基线算法，旨在解决现有算法难以对单一参数设置下适应各种图像以及评估过于主观等问题，利用深度卷积网络和设计适合于边缘保留图像平滑的新损失函 - 每个像素都很重要 ++：3D 整体理解中几何和运动的联合学习
本文主要探究利用神经网络从无标注视频中学习单帧 3D 几何和连续帧光流，并将二者并行处理整合得到更好的结果，通过综合实验结果表明该方法优于其他方法。
- ECCVMASON：一种模型无关的物体框架
本文提出了一种名为 'MASON' 的方法，利用深度卷积网络生成对任何图像均为类别无关且模型无关热力图，达到了定位图像主要前景对象像素级精度的效果，并在应用方面展示了其有效性。
- CentralNet: 多层融合多模态方法
本文提出了一种新的多模态融合方法，通过整合来自多种媒体的信息产生最佳决策。该方法通过引入一个中央网络来连接模态特定网络，提供了一个公共特征嵌入和模态特定网络的正则化，其性能经过验证在四个不同的计算机视觉任务中得到了改进。
- ECCV每个像素都很重要：利用整体三维运动理解进行无监督几何学习
本文通过在未标记视频上观看，利用深度卷积神经网络来学习单张图像的三维几何估计，通过将像素水平的三维物体运动加入到学习框架中，提供了整体的三维场景流理解并有助于单张图像的几何估计。
- ECCVDeepPhys: 使用卷积注意力网络进行基于视频的生理测量
本文提出了一种使用深度卷积神经网络进行基于视频的非接触式心率和呼吸率测量的新方法，该系统采用一种基于皮肤反射模型的新动作表示和一种使用外观信息引导运动估计的新注意机制，从而实现在异质光照和主要运动下强大的测量，其空间 - 时域分布可通过注意 - 像素级注意力门控用于简洁像素标注
本篇论文提出一种基于 Pixel-wise Attentional Gating 的模型优化方案，使得在计算资源受限的前提下，模型在特定任务上（如：语义分割、边界检测、深度估计等）可以达到与其他相关方法相抗衡或处于领先地位。这种方案可以通过 - CVPR学习描述符网络用于三维形状合成和分析
本文提出了一种 3D 形状描述符网络，是一种深度卷积能量模型，可以用于建模体积形状模式，并可以通过 MCMC 模拟实现生成真实的 3D 形状模式并用于 3D 形状分析和恢复。
- CVPRLEGO: 通过视频学习几何并同时实现边缘学习
本文提出一种基于深度卷积网络的无监督边缘检测和三维几何体建模框架，应用 “尽可能光滑的三维结构” 先验，并在 KITTI 和 CityScapes 数据集上进行评估，结果表明该算法在深度、法向量和边缘检测任务中均具有显著的性能优势，展现了其 - AAAI具边缘感知深度法向一致性的无监督几何学习
本研究提出了一种基于表面法向量表示的深度无监督学习方法，通过构建深卷积网络层次结构，融入了边缘感知、光度误差和梯度平滑等前沿技术，从而实现单幅图像深度重建过程中的多种挑战，包括深度 / 法向量不连续和图像边缘保留等问题。在实验中，我们应用 - CVPR学习跨模态深度表示以实现鲁棒的行人检测
本文介绍了一种新的行人检测方法，基于跨模态学习框架、深度卷积神经网络等技术，可在恶劣光照条件下实现行人检测，并在公开数据集上表现出优异的性能。
- 通过深度卷积神经网络学习反演：信号恢复
本研究致力于解决压缩感知中遇到的两个挑战问题：真实数据在固定基下不是稀疏的；当前的高性能恢复算法收敛速度慢，这限制了压缩感知的应用。通过使用深度卷积神经网络，我们开发了一个名为 DeepInverse 的新信号恢复框架，从测量向量学习逆变换 - 深度身份感知的面部属性转移
本文利用深度卷积网络模型演示了一种基于身份意识的面部属性转换（DIAT）模型，该模型通过使用掩模网络和属性变换网络协同工作，生成具有参考属性并保持与输入图像相同或相似身份的真实面部图像。通过对属性无关区域进行正确编辑，即使是人脸相关的属性， - 从粗到细学习人脸对齐的深度表示
本文提出了一种新的人脸对齐方法，该方法使用深度卷积网络从粗到细进行训练，将关键点分为主要子集和详细子集，并逐渐减小主要子集的权重，使两个子集具有相等的权重。在 COFW 数据集上取得了 6.33% 的平均误差，相较于最佳结果 [2] 减少了 - 基于深度循环卷积网络的视频行人再识别：一种端到端的方法
本文提出一种端到端的方法来同时学习视频人物再识别的时空特征和相应的相似度度量，采用深度卷积网络和循环神经网络进行时间序列建模和度量学习，通过时间汇聚产生整体特征表示，在 iLIDS-VID 和 PRID 2011 等公共数据集上达到最先进的 - 迁移学习行为与人 - 物交互问题解答模型
本文提出了一种利用局部和全局上下文的深度卷积神经网络模型来预测静态图像中的人类活动标签，实现了对两个数据集上数百个标签的最先进性能。我们使用多实例学习来处理缺乏对单个人实例级别的监督的情况，并使用加权损失来处理不平衡的训练数据。此外，我们展