利用快速梯度符号法和迭代方法生成对抗样本，实验证明在物理环境中仍具误导性。
Alexey Kurakin, Ian Goodfellow, Samy Bengio
Li和Hoiem提出“Learning without Forgetting”方法，利用新任务数据在不访问旧任务数据的情况下保持模型性能。
Zhizhong Li, Derek Hoiem
使用条件PixelCNN生成图像，提升ImageNet上PixelRNN的表现。
Aaron van den Oord, Nal Kalchbrenner, Oriol Vinyals 等
提出基于Dice系数优化的V-Net全卷积网络，用于MRI前列腺三维分割，效果优异。
Fausto Milletari, Nassir Navab, Seyed-Ahmad Ahmadi
提出了一种利用随机变换和扰动的半监督学习正则化方法，提升了模型准确性。
Mehdi Sajjadi, Mehran Javanmardi, Tolga Tasdizen
提出卷积神经网络“织物”结构，嵌入指数级架构，参数共享，性能在MNIST、CIFAR10、Part Labels上优异。
Shreyas Saxena, Jakob Verbeek
提出基于残差卷积网络的深度预测模型，参数少、实时性强，精度优于现有方法。
Iro Laina, Christian Rupprecht, Vasileios Belagiannis 等
基于LSTM的视频摘要方法，通过结构化预测实现关键帧和子片段自动选择，达成最优性能。
Ke Zhang, Wei-Lun Chao, Fei Sha 等
提出基于自相似结构的FractalNet，无残差连接，达成与ResNet相当性能。
Gustav Larsson, Michael Maire, Gregory Shakhnarovich
提出基于类别级语义分割的实例分割方法，在PASCAL VOC 2012达79.1% mIoU，超越detect-then-segment。
Zifeng Wu, Chunhua Shen, Anton van den Hengel
提出了ACNN，使用各向异性扩散核在复杂形变中学习形状对应关系。
Davide Boscaini, Jonathan Masci, Emanuele Rodolà 等
提出R-FCN，基于区域的全卷积网络，结合位置敏感得分图，实现高效准确的目标检测。
Jifeng Dai, Yi Li, Kaiming He 等
提出端到端训练的深度语言模型，用于细粒度视觉描述的零样本识别，超越属性方法。
Scott Reed, Zeynep Akata, Bernt Schiele 等
提出基于相对深度标注的深度估计算法，结合新数据集显著提升野外单图深度感知。
Weifeng Chen, Zhao Fu, Dawei Yang 等
Deep3D利用深度卷积神经网络端到端自动将2D视频转换为3D立体效果，显著优于传统方法。
Junyuan Xie, Ross Girshick, Ali Farhadi
提出3D-R2N2，结合LSTM实现单多视角3D重建，无需标注。
Christopher B. Choy, Danfei Xu, JunYoung Gwak 等
通过解决拼图任务实现无监督视觉表示学习，超越现有方法。
Mehdi Noroozi, Paolo Favaro
提出InstanceFCN，基于像素相对位置分类实现实例级分割，提升提案性能。
Jifeng Dai, Kaiming He, Yi Li 等
结合高斯条件随机场与深度学习的语义图像分割方法，在VOC PASCAL 2012上取得显著提升。
Siddhartha Chandra, Iasonas Kokkinos
提出基于图结构的图示解析与问答模型，利用DPG实现对超过5000个科学图示的结构与语义理解。
Aniruddha Kembhavi, Mike Salvato, Eric Kolve 等