基于部分卷积的填充
本文提出了一种名为 PP-Pad 的新型填充方法，该方法可以进行每个任务的填充值的端到端训练，从而取代了零填充方法，同时还提出了一种评估模型平移不变性的新方法，在一个语义分割任务中，这种方法实现了比以往方法更高的精度和平移不变性。
Jul, 2023
我们在这项工作中展示了对抗攻击经常在图像边界产生扰动异常，而图像边界正是使用 padding 的区域；因此，我们旨在分析 padding 与对抗攻击之间的相互作用，并探讨不同 padding 模式（或其缺失）对各种情境下的对抗鲁棒性的影响。
Aug, 2023
本文研究如何使用三维空间时间部分卷积作为神经网络的层来填补卫星图像时间序列中的缺失，然后将 U-Net 模型应用于 Sentinel-5P 卫星所提供的不完整的全球一氧化碳观测的图像时间序列，并将结果与两种统计方法进行比较，结果表明预测误差相当，但预测时间快三个量级，适用于处理大量卫星数据。
Aug, 2022
本研究通过验证零填充在特征提取和学习中的作用，以及池化在其平移不变性驱动的性质中的作用，表明具有相似自由参数的深度全连接网络可以通过零填充的 DCNNs 来表示，从而证明了零填充的 DCNNs 在特征提取方面优于 DFCNs。因此，我们推导出了具有零填充的 DCNNs 的普遍一致性，并展示了它在学习过程中的平移不变性。所有的理论结果都通过包括玩具模拟和真实数据运行的数值实验证实。
Jul, 2023
本文提出了一种新型卷积操作叫做像素自适应卷积 (PAC)，其通过学习本地像素特征来修改传统卷积操作，此方法适用于多种应用场景，具有优异的性能表现，包括使用 PAC 进行深度图像上采样、使用 PAC-CRF 替代 Full-CRF 等。同时，本文还证明了在预训练网络中使用 PAC 操作可以提高网络性能。
Apr, 2019
提出了一种名为 PadChannel 的新型填充方法，通过将填充状态编码为额外的输入通道，使得卷积神经网络能够轻松区分真实像素和填充像素，并在计算成本微增的情况下在多个著名卷积神经网络架构中观察到小幅度性能改进和显著的方差减小，适用于 ImageNet-1K 图像分类任务。
Nov, 2023