- 基于 Transformer 网络的皮肤病变分割及跨尺度依赖建模的改进
提出一种基于 Hierarchical Transformer 的 U 型结构用于皮损分割，以及一种使用注意力相关性自适应地组合每个阶段的上下文来减轻语义差距的 Inter-scale Context Fusion（ISCF）方法。
- 基于目标的稀疏潜在特征的全卷积网络的概率相似性证据
利用神经网络进行相似性分析是一种理解和分类各个领域中复杂模式的强大技术。本研究探讨了完全卷积网络（FCNs）生成的潜在信息在相似性分析中的应用，特别是用于估计二维图片中对象的视觉相似度。这一分析方案包括两个步骤：（1）从经过训练的 FCN - 多元时间序列分类：深度学习方法
本研究探究适用于时间序列分类领域的不同方法和各种神经网络结构。该论文通过使用来自气体传感器的数据来探测某一特定环境中的占用状态，并使用 Fully Convolutional Networks (FCN) 和 Long Short-Term - 利用古箏演奏中的音符觸發信息進行演奏技巧檢測
本文提出了一个利用全卷积神经网络的端到端古筝演奏技巧检测系统，通过训练独立的起始检测器和帧级演奏技巧检测器以实现对可变长度音频的检测，这可以应用于各种音乐厂牌。同时，作者还从多个音乐厂牌和实际演出中创建了一个新的数据集 GZ_IsoTech - KDD全卷积网络中边界条件对时空动态学习的影响
研究了在完全卷积神经网络中引入空间上下文和物理边界的几种策略，并在两个时空演化问题上进行了评估，揭示了边界实现对于精度和稳定性的高度敏感性。
- 基于全卷积网络的语义分割自适应特征重组与再校准
本文提出了一种针对 Fully Convolutional Networks 进行语义分割的特征重组和空间自适应重新校准块 - SegSE 块。通过考虑跨通道信息和空间相关性来重新校准特征图，实验证明，重组和重新校准可以提高基线结果，并推广 - 基于深度卷积模型的颅内出血分割
本研究试图利用深度完全卷积神经网络自动地将颅内出血区域从 CT 扫描结果中区分出来，以取代目前需要有经验的放射科医师进行检查的方式。该方法在 5 重交叉验证中取得了 0.31 的 Dice 系数，可用于未来分析和比较。
- 使用循环神经网络从多时相 Sentinel-2 数据中检测城市变化
本文介绍了一种基于深度学习方法的城市变化检测框架，该框架结合了全卷积网络和强大的循环神经网络，能够在 Sentinel-2 数据集上对城市变化进行更精确的检测。实验结果表明，该框架在测试数据集上达到了 95% 的整体精度和 1.5% 的增加 - AAAI完全卷积网络优化空间的可视化洞察
本文通过可视化优化地形图，比较了三个基于 FCN 的模型在多个数据集上的性能，并探索了 FCN 中跳过层连接与模型广义能力之间的关系，以及不同批量大小下的损失表面与模型广义能力的关系。
- 深烟雾分割
本研究提出了一种深度烟雾分割网络，通过使用全卷积网络（FCN）、编码器 - 解码器 FCN、融合添加卷积激活层等多种技术手段，可以高效、准确的从模糊的烟雾图像中分割出高质量的 MASK，实现了对烟雾进行精确定位及检测。
- ECCV同时边缘对齐和学习
本文提出一个同时进行边缘对齐和学习的概率模型，以解决全卷积神经网络 (FCNs) 边缘学习结构脆弱容易受到标签不对齐的影响的问题，并为噪声注释提供了自动改进机制，改善了边缘检测。
- 基于对比的深度神经网络用于显著物体检测
本文提出了一种基于深度对比型深度神经网络的反卷积模型进行显著性目标检测的方法，能够解决现有方法中时间和精度的局限性，并且在多个基准数据集上都表现出良好的性能。
- 使用全卷积网络进行语音去混响
本文利用全卷积网络 (FCN) 来处理语音信号的混响问题，提出了用 U-Net 和 GAN 算法来处理时频短时傅里叶变换 (STFT) 表示的语音信号。通过与其他算法的比较，结果表明本文提出的方法在大多数情况下表现更好。
- CVPR快速的端到端可训练引导滤波器
本文介绍了一种基于改进 FCN 的新型构建块 —— 引导滤波层，以及结合该层的像素级别图像预测框架 DGF，并在该框架上取得了比现有方法具有更快速度和更高性能的结果。
- 无需训练数据的基于自监督全卷积网络的非刚性图像配准
本文提出了一种新型的基于卷积神经网络的非刚性图像配准算法，通过优化和学习不同尺度下的空间变换以及卷积神经网络，实现了对 3D 结构脑磁共振图像更好的配准效果。
- Sockeye: 神经机器翻译工具包
Sockeye 是一个用于神经机器翻译的开放源代码序列到序列工具包，它支持三种最流行的编码器 - 解码器体系结构，包括注意力循环神经网络、自我关注变换器和全卷积网络； Sockeye 在英语 - 德语和拉脱维亚语 - 英语两种语言翻译任务中 - 使用深度自监督全卷积网络进行非刚性图像配准
本文提出了一种基于全卷积网络优化并学习图像之间空间变换的新型非刚性图像配准算法，实现了多分辨率下空间变换和网络学习的联合优化，并且在注册 3D 结构性脑磁共振（MR）图像方面表现比最先进的图像配准算法更好。
- 一种深度水平集方法用于图像分割
本文提出一种新的图像分割方法，该方法将全卷积神经网络 (FCN) 与水平集模型相结合。相较于单独使用 FCN，该集成方法可以结合平滑和先验信息来实现准确的分割。此外，该模型将水平集模型与训练相集成，从而可以在半监督模式下使用未标记的数据进行 - ICCV多阶段多递归输入全卷积网络用于神经元边界检测
本文提出了多阶段多递归输入的完全卷积网络通过学习低阶段的不同感受野大小的多个侧面输出，为后续学习提供多尺度的上下文边界信息，以解决电子显微镜图像分割的挑战问题，结果在两个公共可用的 EM 分割数据集上取得了有希望的结果。
- 医学图像分割中基于归一化输入的迭代估计学习
本文介绍了一种简单而强大的医学图像分割方法，该方法将 Fully Convolutional Networks（FCNs）与 Fully Convolutional Residual Networks（FC-ResNets）相结合，并利用可