在卷积内核方法中进行了数据组成特征提取的重要性研究，提出了一个数据驱动的卷积内核方法，通过对其效果进行广泛的研究，证明该方法已经在 CIFAR-10 分类准确性方面取得了与之前更复杂的卷积内核方法相同的准确性，将该方法扩展到 ImageNet 数据集，证明了该方法可以超越所有现有的非学习表示方法，成为目标识别的新基准。

Jan, 2021

本文介绍了如何用卷积神经网络 (CNN) 从图像数据中直接学习通用的相似性函数，以比较图像补丁。我们的实验表明，这种方法在多个计算机视觉问题和基准数据集上都取得了极大的成效。

Apr, 2015

利用轻量级 ConvNets，通过简单的权重重新计算策略来标定图像中的关键区域，从而实现对冗余补丁的显著剪枝并提高判别补丁的定位性能。通过该方法，可以在不再训练的情况下，对多种深度学习架构，包括 ConvNets 和 ViTs 等进行高效的冗余补丁减少，并取得了更高的准确性与更大的计算量减少。

Mar, 2024

该研究提出了一种算法，可以分析深度神经网络，找到对网络分类结果 “重要” 的神经元，并自动标记激活这些重要神经元的输入图像部分，进而揭示网络分解图像进行最终分类的过程。

Feb, 2018

本文提出了一种局部学习算法，结合图像数据和卷积滤波器、块归一化和非线性方法，可以成功地对 CIFAR-10 和 ImageNet 32x32 数据集进行分类，并展示了有关如何使用无标签数据从中学习通用表示的成功转移学习案例。

Aug, 2019

我们研究了使用不重叠过滤器的一层卷积神经网络的样本复杂度，并提出了一种称为近似梯度下降的新算法来训练 CNN，该算法在随机初始化时具有地面真值参数的线性收敛性，并且适用于常规的激活函数，例如 ReLU，Leaky ReLU，Sigmod 和 Softplus 等。我们的样本复杂度超过现有结果，并匹配了具有线性激活函数的一层 CNNs 的信息论下界，表明我们的样本复杂度是紧致的。

Nov, 2019

提出了一种使用稀疏核的卷积神经网络算法，用于像素分类任务，避免了传统的图像切片造成的冗余计算，提高了前向和反向传播速度。

Dec, 2014

通过随机梯度下降算法和 ReLU 激活函数，我们分析了卷积滤波器的收敛性。我们的研究不依赖于任何特定形式的输入分布，证明了基于梯度的算法在多项式时间内可以学习卷积滤波器，且收敛速度取决于输入分布的平滑度和卷积核的密度。此理论证明了深度神经网络中的两阶段学习率策略并提出了卷积滤波器的新的较弱恢复保证。

Sep, 2017

理解卷积神经网络从图像数据中学习特征的机制是机器学习和计算机视觉中的一个基本问题。本研究提出了卷积神经特征假设并通过实证和理论论证，证明了滤波器的协方差与输入层的补丁平均梯度外积具有高度相关性。此外，研究通过基于补丁平均梯度外积的 (深度) ConvRFM 算法在卷积核机器中实现了深层特征学习，克服了卷积核的局部自适应性限制，并在性能上取得了显著提升。

Sep, 2023

通过数据增强编码旋转或平移不变性到模型结构中，并在传入下一层之前进行补丁排名来让模型专注于学习目标物品的内容而非它们的位置，从而改善了 CNN 在 MNIST 数字识别，大规模图像识别和图像检索等基准任务的性能。

Nov, 2019