提出无监督卷积神经网络单视角深度估计方法，利用立体图像几何关系实现无需标注的训练。
Ravi Garg, Vijay Kumar BG, Gustavo Carneiro 等
提出Visual Genome数据集，结合密集对象、关系、属性标注，促进图像理解与推理。
Ranjay Krishna, Yuke Zhu, Oliver Groth 等
使用深度密集连接MRF实现自动驾驶实例级分割，提升KITTI基准性能。
Ziyu Zhang, Sanja Fidler, Raquel Urtasun
提出量化卷积神经网络（Q-CNN），实现4-6倍加速和15-20倍压缩，误差仅1%。
Jiaxiang Wu, Cong Leng, Yuhang Wang 等
提出NetVLAD端到端训练的CNN架构，用于大规模弱监督场所识别，显著优于传统方法。
Relja Arandjelović, Petr Gronat, Akihiko Torii 等
通过膨胀卷积实现多尺度上下文聚合，提高语义分割精度。
Fisher Yu, Vladlen Koltun
提出双边Inception模块的超像素卷积网络，提升语义分割精度。
Raghudeep Gadde, Varun Jampani, Martin Kiefel 等
提出OpenMax层结合Meta-Recognition实现深度网络的开集识别，有效拒绝未知和欺骗样本。
Abhijit Bendale, Terrance Boult
提出结构化RNN（S-RNN），结合高层时空图，显著提升人类动作与物体交互建模性能。
Ashesh Jain, Amir R. Zamir, Silvio Savarese 等
提出Proposal Flow，利用多尺度目标候选区域实现图像对应，显著优于现有方法。
Bumsub Ham, Minsu Cho, Cordelia Schmid 等
使用CNN和领域变换进行语义图像分割，显著提高边界精度，mIOU达66.35%。
Liang-Chieh Chen, Jonathan T. Barron, George Papandreou 等
神经模块网络结合深度学习与语言结构，在VQA数据集上表现优异。
Jacob Andreas, Marcus Rohrbach, Trevor Darrell 等
引入边界神经场(BNF)，结合边界信息和FCN预测，提高语义分割精度。
Gedas Bertasius, Jianbo Shi, Lorenzo Torresani
提出一种生成和理解图像中特定对象的明确描述的方法，基于MS-COCO数据集。
Junhua Mao, Jonathan Huang, Alexander Toshev 等
IA结合五种技巧，在Set5×3上比A+提升0.87dB。
Radu Timofte, Rasmus Rothe, Luc Van Gool
深度压缩结合剪枝、训练量化与霍夫曼编码，压缩比达49倍，保持精度。
Song Han, Huizi Mao, William J. Dally
提出语义全景遮挡分割，利用多标注数据实现全场景理解。
Yan Zhu, Yuandong Tian, Dimitris Mexatas 等
提出LogDet非凸逼近低秩矩阵，应用于子空间聚类，优于核范数方法。
Zhao Kang, Chong Peng, Jie Cheng 等
提出一种无监督学习方法，结合视频与语音描述，自动识别任务关键步骤，基于新数据集实现高效定位。
Jean-Baptiste Alayrac, Piotr Bojanowski, Nishant Agrawal 等
利用无监督神经句子嵌入与视频-文本融合，实现书籍与电影的对齐，提升语义理解能力。
Yukun Zhu, Ryan Kiros, Richard Zemel 等