- 利用 CNN 进行语义分割（带有 Pascal VOC 数据集）
本文提出一种针对 Pascal VOC 数据集的语义分割方法，通过使用 FCN、数据增强、类别不平衡权重和迁移学习等方法，以及 U-Net 和 ResNet 等不同的神经网络架构，有效地提高了模型的像素精度和 IoU 性能。研究表明数据增强 - 基於知識轉移的少樣本物體檢測
本文提出了一种基于少量样本和元学习的物体检测方法，使用原型知识转移和基于图的显式先验知识，验证了该方法在 PASCAL VOC 数据集上的有效性。
- CVPR弱监督语义分割自监督等变注意力机制
本文提出了一种自我监督的等变注意机制方法 (SEAM) 来解决基于图像级别弱监督学习语义分割的问题。该方法通过提出一致性规则，并利用像素相关模块 (PCM) 来处理背景信息，从而提高了实验效果。
- CRNet：用于少样本分割的交叉参考网络
本文提出一种基于交叉参考网络的多类别小样本图像分割方法，通过先前的样本图像和待处理图像之间的交叉引用，同时预测前景目标，经过不断迭代的前景区域优化，实现对带标签支持图像的 $k$ 次训练和少量样本的生成级联分割效果进行提升，最终在 PASC - 快速全景分割网络
本研究提出了一种名为 Fast Panoptic Segmentation Network（FPSNet）的端到端网络，将全景任务转化为自定义的密集像素分类任务以实现像素级分类和实例识别，在 Cityscapes 和 Pascal VOC - ECCV基于体素热力图的合成遮挡增强技术应用于 2018 ECCV PoseTrack 3D 人体姿态估计挑战赛
本论文介绍了作者在 2018 ECCV PoseTrack Challenge 中 3D 人体姿势估计比赛中获胜的方法，使用全卷积 Backbone 架构，增强训练数据使用来自 Pascal VOC 数据集的随机遮挡物，使用 L1 误差最小 - 深度目标共分割
本文提出了一种基于深度学习的对象共分割方法，使用 CNN-based Siamese 编码器 - 解码器体系结构，利用相互关联的特征提取和掩码生成技术来较好地完成同类别对象的提取，实验结果表明，与其他算法相比，该方法具有更好的共分割效果。
- CVPR多人姿态估计与语义部位分割
该研究提出了一种基于全卷积神经网络和条件随机场的联合框架，旨在同步解决人体姿态估计和语义部位分割问题，并在 PASCAL VOC 数据集上进行了广泛实验，显示该算法在这两个任务上均优于竞争方法。
- CVPRScribbleSup: 用草图监督的卷积网络进行语义分割
利用涂鸦标注图片并开发了一种算法，将涂鸦作为监督信息来训练卷积网络的语义分割，并在 PASCAL VOC 数据集上获得较好结果。
- 半监督语义分割的解耦深度神经网络
本文提出了一种新颖的深度神经网络架构，用于使用异构注释进行半监督语义分割，从而实现了分类和分割的解耦。该算法利用训练数据中的图像级和像素级类标签分别学习分类和分割网络，有效地减少了限制搜索空间并展现出优异的性能表现。
- 对象提议评估协议可被操纵
本文研究了目标提议在物体检测和发现任务中的应用，并提出了解决使用部分注释数据集进行评估的问题的方法，通过介绍一个几乎全注释的 PASCAL VOC 数据集，执行了目标提议方法的完备评估，并引入了一种诊断实验来检测算法的偏置能力。
- 弱监督下的视觉模式配置发现
本文提出了一种自动识别目标类别特有的视觉模式的方法，将其作为无监督目标检测的有益配置，从而实现更好的检测结果。
- 姿态估计与动作检测的 R-CNNs
利用卷积神经网络进行人体姿态关键点预测和动作分类的研究，在解决过程中采用一种基于任务损失函数的方法，在 PASCAL VOC 数据集上评估方法并与之前领先的方法进行比较，结果表明我们的方法在关键点和动作预测方面达到了最先进的水平；此外，我们