本文研究了网络形态学习的问题，提出了基于图形变换的两种原子型形态学习方法，并基于 ResNet 提出了实现方案。

Jan, 2017

研究了基于差分和反向传播的形态学网络的潜力和限制，尤其是在初始化和学习速率方面的理论指导，以解决当形态学网络层数增加时的训练困难。

Feb, 2024

我们提出利用基于坐标的神经网络来表示面部图像的变形和融合。通过结合经典方法中的能量函数，我们利用这些网络的平滑性和灵活性进行训练，同时允许连续的面部变形和融合。实验结果表明，我们的方法在面部变形检测方法方面与传统方法和基于数据的神经技术相竞争，并在审美上呈现出文献中尚不常见的多样面孔的无缝融合。

Aug, 2023

该论文提出了 MorphNet 方法，用于自动设计神经网络结构，可以根据资源约束（例如每个推理中的浮点操作数）调整网络大小并提高性能。

Nov, 2017

本研究提出了一种新的框架，利用神经网络变形和贝叶斯优化，实现了高效的神经架构搜索，并基于此开发了 Auto-Keras 的开源 AutoML 系统，该系统在不同 GPU 内存限制下具有自适应的搜索策略和 CPU 和 GPU 并行运行的能力，实验结果表明，该方法的性能优于现有技术。

Jun, 2018

该论文提出了一种分层架构，通过上下文调节来更好地模拟机器人控制策略对其形态上下文的依赖关系，其中包括两个关键子模块：（1）使用超网络生成依赖形态的控制参数；（2）提出了一种形态依赖性的注意机制来调节机器人不同肢体之间的交互。实验结果表明，该方法不仅改善了各种训练机器人的学习性能，还以零样本方式更好地推广到未见过的形态。

Feb, 2023

通过数学形态学（MM）实现全结合卷积神经网络（ConvNets）的二值化，并提出两种新的近似方法以及鲁棒的理论框架来改进其优化。同时，引入正则化损失以提高网络的性能。

Jan, 2024

本文介绍了一种基于范畴论的新的表示学习方法，并给出了一个例子：一种使用该方法的文本翻译器在性能上比当前深度学习模型高出了 17 倍。

Mar, 2021

开发鲁棒性的机器学习系统是防止犯罪分子使用假身份证件越过边境的必要手段，本研究则调查了卷积神经网络架构对变形攻击的泛化能力，结果发现 InceptionResNet-v2 在对未知数据的泛化效果上优于其他四个 CNN 模型。

Oct, 2023

我们提出了一种新的神经网络架构 NeuroMorph，采用图卷积和全局特征池化的优美结构，实现了在单次前馈传递中对输入的两个 3D 形状进行平滑插值和点对点对应，其具有无监督学习能力，适用于不同对象类别的非等距对，并在多个基准测试中匹配或超过了最新无监督和有监督方法的表现水平。

Jun, 2021