提出了一种新的边缘检测算法HED，在BSD500数据集上取得了0.782的ODS F-score。
Saining Xie, Zhuowen Tu
DC-IGN通过SGVB算法学习图像的可解释表示，能生成不同姿态和光照的图像。
Tejas D. Kulkarni, Will Whitney, Pushmeet Kohli 等
提出深度卷积神经场模型，单目图像深度估计性能优于现有方法。
Fayao Liu, Chunhua Shen, Guosheng Lin 等
使用SRCNN实现图像超分辨率，提升PSNR至27.95 dB。
Chao Dong, Chen Change Loy, Kaiming He 等
MatConvNet为MATLAB实现的CNN工具箱，支持快速原型设计与GPU加速。
Andrea Vedaldi, Karel Lenc
提出超列（Hypercolumns）用于像素级目标检测，提升分割准确率，SDS从49.7提升至60.0。
Bharath Hariharan, Pablo Arbeláez, Ross Girshick 等
提出基于深度循环网络的图像描述模型，BLEU-4达27.7，显著优于以往方法。
Oriol Vinyals, Alexander Toshev, Samy Bengio 等
提出长短期循环卷积网络（LRCN），结合CNN与LSTM实现视频识别与描述，显著优于单一模型。
Jeff Donahue, Lisa Anne Hendricks, Marcus Rohrbach 等
提出全卷积网络（FCN）用于像素级语义分割，超越SOTA，精度62.2% mIU。
Jonathan Long, Evan Shelhamer, Trevor Darrell
采用字典学习与`1-范数优化实现图像稀疏编码，提升视觉识别效果。
Julien Mairal, Francis Bach, Jean Ponce
提出Inception架构，通过多尺度卷积模块提升深度网络性能，参数仅为Krizhevsky的12%，在ILSVRC 2014获最佳分类检测。
Christian Szegedy, Wei Liu, Yangqing Jia 等
基于ImageNet的ILSVRC挑战，采用深度卷积神经网络（如AlexNet、VGG、ResNet）实现百万级图像分类与检测，显著提升准确率。
Olga Russakovsky, Jia Deng, Hao Su 等
提出MS COCO数据集，含91类、2.5百万实例，强化场景理解与精确定位。
Tsung-Yi Lin, Michael Maire, Serge Belongie 等
利用线性结构压缩卷积滤波器，模型速度提升2-3倍，误差控制在1%。
Remi Denton, Wojciech Zaremba, Joan Bruna 等
提出多句连贯视频描述模型，支持多层次细节，结合语义表示和视觉识别创新。
Anna Senina, Marcus Rohrbach, Wei Qiu 等
利用已训练的OverFeat卷积神经网络特征，线性SVM实现多任务识别，性能优越。
Ali Sharif Razavian, Hossein Azizpour, Josephine Sullivan 等
提出基于多尺度可逆定向得分的血管增强方法，显著改善交叉和分支处血管检测。
Julius Hannink, Remco Duits, Erik Bekkers
利用梯度反向传播实现卷积网络的类别模型和显著性图可视化，推动弱监督目标定位。
Karen Simonyan, Andrea Vedaldi, Andrew Zisserman
提出基于FFT的卷积训练加速算法，实现训练和推理速度提升十倍以上。
Michael Mathieu, Mikael Henaff, Yann LeCun
利用ImageNet训练的深度卷积激活特征DeCAF，显著优于传统方法，提升多个视觉识别任务性能。
Jeff Donahue, Yangqing Jia, Oriol Vinyals 等