本文提出了一种基于 SVD 的分解方法，将常规卷积扩展为深度可分离卷积，从而在维持高准确性的同时，优于通道分解方法，提高了 ShuffleNet V2 模型的 Top-1 准确率约 2％。

Oct, 2019

本文中，提出了一种可扩展的高性能深度可分离卷积优化的卷积神经网络加速器，适用于不同大小的 FPGA，可以实现 GPU 级别的卷积操作，提高了计算速度。在 Arria 10 SoC FPGA 上实现了 MobileNetV2，并取得了比 CPU 快 20 倍的结果。

Sep, 2018

通过融合不同数据布局，我们探索了较传统卷积更高效的深度可分离卷积块，目标是在商业超低功耗设备上减少执行网络的延迟时间最多 11.40%，同时将 L2 和 L1 内存之间的激活数据移动减少最多 52.97%。

Jun, 2024

提出了一种 Decoupled Dynamic Filter（DDF）卷积方法，可以同时解决标准卷积的两个主要缺点：内容不适配和计算量大。DDF 将深度动态滤波器分解为空间动态滤波器和通道动态滤波器，大大减少了参数数量，并将计算成本限制在与深度卷积相同的水平上。在分类网络中，使用 DDF 替换标准卷积可以显著提高性能，同时其计算成本几乎减半。在检测和联合上采样网络上进行的实验也证明了 DDF-upsampling 变体在比标准卷积和专门的内容自适应层更优秀的性能。

Apr, 2021

本研究探讨如何将深度可分离卷积应用于神经机器翻译任务。我们提出了一种新的基于 Xception 和 ByteNet 的架构 SliceNet，并发现深度可分离卷积能够在减少参数数量和计算量的同时获得与 ByteNet 相似的性能，同时展示了深度可分离卷积对于神经机器翻译任务的性能表现以及其带来的架构变化。

Jun, 2017

本文提出了一种名为 Diagonalwise Refactorization 的有效方法，用于加速深度卷积层的训练，并在 5 个流行的深度学习框架中实现。实验结果表明，相对于深度卷积的原始实现，该方法在 Darknet 上获得了 15.4 倍的加速，Caffe 上获得了 8.4 倍的加速，PyTorch 上获得了 5.4 倍的加速，MXNet 上获得了 3.5 倍的加速，TensorFlow 上获得了 1.4 倍的加速。

Mar, 2018

提出了一种基于内积的离线卷积学习框架，它将内部特征限制为对应于类内变化和语义差异的特征规范和角度，通过将内积重新参数化为解耦形式并将其推广到解耦卷积算子，该算子是解耦网络的构建块。

Apr, 2018

本文表明，使用结构化线性分解替换点积卷积中的线性元素不仅更高效，而且还提供了在效率 / 准确性方面的达成帕累托最优的成果。

Jun, 2019

这篇论文介绍了卷积神经网络中 Inception 模块的解释和中间步骤，提出了一种新的深层卷积神经网络架构 Xception 来替换 Inception 模块，它在 ImageNet 数据集上的表现略优于 Inception V3，但在包括 350 万张图像和 17,000 个类别的更大的图像分类数据集上表现显著优于 Inception V3，并说明这种性能提升不是由于增加的参数容量，而是由于模型参数的更有效使用。

Oct, 2016

本文提出一种基于深度可分离卷积的多领域学习体系结构，以捕获不同视觉领域之间的通用结构，并介绍一个门控机制，促进不同领域之间的软共享。在 Visual Decathlon 挑战赛上，我们的方法可以取得最高分数，比现有方法所需的参数数量少 50％。

Feb, 2019