本研究提出了一种新颖的增量增强 CNN（IB-CNN），使其通过增量增强层将增强集成到 CNN 中，并选择下层的识别性神经元，在连续的小批量中进行增量更新。此外，还提出了一种新的损失函数，考虑了来自增量增强分类器和单个弱分类器的误差，以微调 IB-CNN，实验结果表明，IB-CNN 优于传统 CNN 和增强 CNN，并且在 AU 识别方面胜过 CNN-based 方法的最新技术。

Jul, 2017

本文介绍一种基于图卷积的滤波器方法，通过引入一个超参数为基本组件注入矩阵滤波器，用于提高深度图卷积神经网络预测性能。

Nov, 2018

卷积神经网络（CNN）在面对声音识别、自然语言处理或计算机视觉等具有挑战性的任务时被广泛使用。本文提出了一种新颖的 CNN 优化和构建方法，基于剪枝和知识蒸馏，旨在确定卷积层的重要性，以减少计算要求，并在资源受限设备上部署。经过彻底的实证研究，包括最佳数据集（CIFAR-10、CIFAR-100 和 Imagenet）和 CNN 架构（VGG-16、ResNet-50、DenseNet-40 和 MobileNet），我们评估了该提议，并将准确度损失和剩余参数比率作为客观指标来比较 OCNNA 与其他最先进的方法的性能。与其他 20 多种卷积神经网络简化算法相比，我们的方法取得了出色的结果。因此，OCNNA 是一种竞争性的 CNN 构建方法，可以简化神经网络部署到物联网或资源有限设备的过程。

Dec, 2023

在面部表情数据上使用零偏差卷积神经网络，作者在扩展的 Cohn-Kanade 和多伦多人脸数据集上取得了领先水平的性能，并使用空间模式可视化的方法解释了这些卷积神经网络是如何进行表情识别并关联面部动作元素的。

Oct, 2015

本文提出了一种名为 Approximated Oracle Filter Pruning（AOFP）的滤波器裁剪方法，其可以自动化找到卷积神经网络中最不重要的滤波器，同时支持同时对多个层进行修剪，能够在可接受的时间成本内修剪现有的非常深的卷积神经网络，没有启发式知识，或重新设计一个具有更高准确性和更快推断的模型。

May, 2019

通过学习频率表示的神经隐式函数，我们在大型图像分类基准测试中实现了与最先进技术相媲美的结果，并在频率域中执行卷积，从而可以对学习到的感受野进行深入分析。

Jul, 2023

本文提出了一种基于学习滤波器结构和强度的 SSF-CNN 架构来解决小样本问题，并在 MNIST、CIFAR10、NORB 和新生儿人脸识别等领域得到了表现优异的结果。

Mar, 2018

本研究提出了一种学习算法，使用数据驱动的方式训练剪枝代理，利用奖励函数去除不必要的卷积神经网络滤波器，从而简化并加速 CNN，并且在维持性能的情况下去除重复权重，减少计算资源消耗，该方法提供了一种易于控制网络性能和规模之间平衡的方法，并通过对多个流行的 CNN 对视觉识别和语义分割任务进行广泛的剪枝实验进行了验证。

Jan, 2018

本文介绍了一种在训练期间利用卷积神经网络（CNNs）中学习到的滤波器的显着冗余的方法，通过找到一组小滤波器和混合系数来推导每个卷积层中的每个滤波器，从而减少训练参数。作者使用 CT 图像进行 3D 肺结节分割，证明了该方法只需要少量训练例子即可获得良好的结果。

Dec, 2016

本文提出了一种渐进式软过滤剪枝方法以加速卷积神经网络的推理过程，通过在重新训练阶段更新裁剪过的滤波器并逐渐剪枝来避免信息丢失，实验结果表明，与软过滤剪枝相比，本文提出的方法在 ResNet-50 上将 FLOPs 降低了 40%，但只有 0.14% 的 top-5 准确度下降。

Aug, 2018