本文介绍了 Maxout network In Network (MIN) 这一新型深度学习结构的架构和实现方式，其应用了批量归一化和 dropout 等一系列优化方式，成功解决了在使用 rectifier units 时可能出现的梯度消失问题，同时通过 average pooling 方式进一步提高了信息抽象能力以及遏制了无关信息的干扰，最后在实验数据中取得了卓越的分类表现。

Nov, 2015

本文介绍了一种名为 “Recombinator Networks” 的模型，该模型可以在不影响鲁棒性的前提下，通过信息重组的方式实现对精确定位的支持，相较于传统的基于求和和拼接的方法，其精度有显著提升，并将误差降低了 30％。同时作者还提出了基于卷积神经网络的去噪预测模型，进一步提升了该模型的性能。

Nov, 2015

本文提出了一种新的 CNN 卷积块设计，利用 MaxMin 策略在保持一定的不变性的同时传输更多的信息，经过对经典数据集 MNIST 和 CIFAR-10 的广泛实验，结果表明，这种新设计的 MaxMin 卷积网络优于标准 CNN。

Oct, 2016

本文提出了一种特别为密集预测设计的新的卷积网络模块，该模块利用扩张卷积系统地汇集多尺度上下文信息，而不会丢失分辨率，并证明了该模块可以提高现有最先进的语义分割系统的精度。同时，作者还探究了将图像分类网络适应于密集预测的可能性，并提出了简化适应后的网络结构有助于提高精度。

Nov, 2015

提出了一种概率版本的 maxout 单元，该单元采用一组线性变换的池化操作，具有可以改进的不变性特性，在三项具有挑战性的图像分类基准测试中，表现优异，证明了本文提出的 probout 单元是有效的。

Dec, 2013

通过卷积融合网络 (CFN) 和适应性权重的学习，实现多尺度深度表示的高效融合，并在场景识别、细粒度识别和图像检索等任务中获得显著改进。

Nov, 2016

本文提出了多尺度卷积神经网络（MS-CNN）用于实现快速的多尺度目标检测。并通过一个 proposal sub-network 和一个 detection sub-network 实现了 end-to-end 的联合训练，同时还探索了使用反卷积代替输入插值以减少内存和计算成本的方法。最后在 KITTI 和 Caltech 等数据集上实现了超过 15fps 的最先进的目标检测表现。

Jul, 2016

该研究提出了一种名为 maxout 的新型神经网络结构，它可以利用所谓的 dropout 技术中的近似模型平均方法进行优化，并提高快速近似模型平均方法的准确性，同时在四个基准数据集（MNIST，CIFAR-10，CIFAR-100 和 SVHN）上展示了最先进的分类性能。

Feb, 2013

本文提出了基于扩张卷积的 Inception 模块，利用多尺度信息构建深度神经网络，提高单幅图像超分辨率的性能。实验结果表明，该方法优于许多单幅图像超分辨率方法。

Jul, 2017

该论文提出了一种新的卷积神经网络 (CNN) 架构，通过使用具有不同计算复杂度的多分支网络，在不同的尺度上频繁合并特征，以使用更少的计算实现多尺度特征，并在目标识别和语音识别任务上显著提高了模型效率和性能。

Jul, 2018