DSSD : Deconvolutional Single Shot Detector
本論ではSOTAのobject detection手法に新たなコンテキストを取り入れて性能向上を行う．
まず始めにresnetをSSDと組み合わせる．
またさらにdeconvolution layerを用いて，小さな物体に対しても認識性能を向上させる．
しかしながらこれら構造の導入は簡単ではなく，慎重な調整と共に取り入れる事で
性能向上を実現した．
Adversarial discriminative domain adaptation, NIPS2016
最近のdomain adaptation手法は2つのドメインをそれぞれ同じ特徴空間へ写像する事を目的としてきた．
この場合，maximum mean discrepancyやcorrelation distancesを元にしてその共通の特徴空間上で2つのドメイン間の差異を最小化させる．
一方でadversarial learningを用いた手法が提案されており，この場合，domain discriminatorモデルを騙す事を通じてドメイン間の差異を最小化する．
本論では特にadversarial learningに注目し，従来手法を俯瞰しつつそれらを統合した新たな手法を提案する．
従来手法を分析すると，それらは元々のタスクに対応したモデル構造，重みをどのように共有するか，どのような損失を利用するか，の３つの観点において様々なアプローチが提案されている．
それらを統合して考え，提案手法は分類モデルに関して，重み共有をせず通常のadversarial lossを用いた手法が最適なものであるとして提案する．
Pyramid Scene Parsing Network, CVPR2017
本論ではpyramid pooling moduleを提案し，これを用いる事で異なったコンテクストの集約を可能にする事で高性能なsemantic segmentation性能を実現した．
このモジュールでは，入力画像に対してCNNで特徴抽出を行った特徴量を入力とし，
それを異なったreceptivi fieldを用いてマルチスケールに処理を行い，それらから得られた特徴を統合する事で高性能なモデルを実現する．