采用DDPG算法在TORCS模拟器中实现连续动作自主驾驶，验证模型在多场景下的性能。
Sen Wang, Daoyuan Jia, Xinshuo Weng
提出RCM结合RL和SIL提升视觉-语言导航性能，SPL提升10%。
Xin Wang, Qiuyuan Huang, Asli Celikyilmaz 等
提出了一种自适应对抗训练方法，在CUB和Oxford-102数据集上提高了少样本学习的准确率。
Frederik Pahde, Oleksiy Ostapenko, Patrick Jähnichen 等
使用深度概率集成（DPE）进行大规模视觉主动学习，减少数据需求，提升性能。
Kashyap Chitta, Jose M. Alvarez, Adam Lesnikowski
提出异构辅助网络特征模仿，显著提升端到端转向预测准确性，超越SOTA 12.8%/52.1%。
Yuenan Hou, Zheng Ma, Chunxiao Liu 等
提出HDD数据集，结合多传感器和新颖标注方法，用于学习驾驶员行为与因果推理，基线检测算法达80%以上mAP。
Vasili Ramanishka, Yi-Ting Chen, Teruhisa Misu 等
Open Images V4利用大规模多任务标注，推动图像分类、目标检测和关系检测的发展。
Alina Kuznetsova, Hassan Rom, Neil Alldrin 等
基于面部扭曲伪影检测的DeepFake识别方法，利用CNN捕捉有限分辨率和仿射变换残留特征。
Yuezun Li, Siwei Lyu
提出基于几何中值的滤波器剪枝方法，能在ResNet-110和ResNet-101上分别减少52%和42%的FLOPs，且无性能下降。
Yang He, Ping Liu, Ziwei Wang 等
提出RCN算法，利用关系网络处理复杂计数问题，TallyQA数据集上表现优异。
Manoj Acharya, Kushal Kafle, Christopher Kanan
提出判别感知通道剪枝（DCP），结合额外判别损失，有效提升ResNet-50在ILSVRC-12上30%通道剪枝后性能，超越原模型0.39%。
Zhuangwei Zhuang, Mingkui Tan, Bohan Zhuang 等
提出结构化域随机化（SDR），结合场景结构提升2D车辆检测性能，超越传统域随机化。
Aayush Prakash, Shaad Boochoon, Mark Brophy 等
SNIP：单次连接敏感性剪枝，训练前一次性剪除80-99%连接，保持性能。
Namhoon Lee, Thalaiyasingam Ajanthan, Philip H. S. Torr
提出多任务感知知识增强自驾模型，显著提升泛化和事故解释能力。
Zhihao Li, Toshiyuki Motoyoshi, Kazuma Sasaki 等
RPNet通过深度学习实现相对相机姿态估计，超越传统方法，准确恢复完整平移向量。
Sovann En, Alexis Lechervy, Frédéric Jurie
提出边缘一致头（Edge Agreement Head）加速Mask R-CNN训练，提升8.1% MS COCO性能。
Roland S. Zimmermann, Julien N. Siems
DANet利用双重注意力机制在Cityscapes上实现81.5% mIoU，提升场景分割精度。
Jun Fu, Jing Liu, Haijie Tian 等
结合自回归与层级先验的图像压缩模型，达到了比JPEG高59.8%的压缩率。
David Minnen, Johannes Ballé, George Toderici
提出MLLC模型，利用潜在上下文变量改进视频片段定位，基于TEMPO数据集验证，性能超越现有方法。
Lisa Anne Hendricks, Oliver Wang, Eli Shechtman 等
提出软滤波器剪枝（SFP），允许剪枝后滤波器在训练中更新，提升模型容量并实现高效加速。
Yang He, Guoliang Kang, Xuanyi Dong 等