提出一种新颖的方法，名为 Bayesian optimized 1-bit CNNs（简称 BONNs），利用贝叶斯优化后的 1-bit CNNs 极大程度地改善了其性能，能够在资源受限的环境中获得最佳分类性能，尤其在 ImageNet 上。

Aug, 2019

本文提出了一种新的循环滤波器（CiFs）和循环二值卷积（CBConv）算法，以及通过循环反向传播（CBP）提高二值卷积特征容量的方法，并将其应用于现有的深层卷积神经网络（DCNNs）来构建新的循环二进制卷积网络（CBCNs）。在 ImageNet 数据集上的实验结果表明，提出的 CBCN 模型可以实现 61.4％的 top-1 准确率，比现有的 XNOR 方法的表现高出 10％。

Oct, 2019

引入一种新的紧凑型神经网络结构，该结构使用联合优化框架进行训练，包括一个全训练神经网络和一个利用随机投影进行输入或中间表示转换的简单的 “投影” 网络。使用全网络来指导投影网络的训练。经过训练的小型网络可以用于低内存和计算成本的推理，并且在视觉识别和文本分类任务中保持良好的准确性。

Aug, 2017

本文提出了一种新颖的无监督深度学习模型，叫做基于 PCA 的卷积神经网络（PCN）。PCN 的结构由多个特征提取阶段和一个非线性输出阶段组成，其中卷积层的滤波器是通过 PCA 算法学习得到的，而在非线性输出阶段，采用二进制哈希。实验结果表明，PCN 在手写数字识别、人脸识别和纹理分类等挑战性任务中表现优秀，而且由于没有监督微调的反向传播，因此比现有的深度网络更高效。

May, 2015

本文提出了一种新的学习算法，Deep Bi-directional Predictive Coding (DBPC)，其允许开发网络同时使用相同的权重执行分类和重建任务。

May, 2023

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

介绍一种新的用于处理图结构数据的模型 - 扩散卷积神经网络 (DCNN)，利用扩散卷积操作来学习基于扩散的表示，并在节点分类任务上表现出色。

Nov, 2015

本文提出了一种新的卷积神经网络模型，称为双卷积神经网络，该模型通过共享权重参数进行优化，在图像分类领域有着显著的性能提升。在 CIFAR-10，CIFAR-100 和 ImageNet 等图像分类基准测试中，该模型的性能均显著优于其他竞争模型。同时，本文还说明了双卷积神经网络在多方面性能均有体现，既可以构建更准确的模型，又可以以牺牲一定准确性的代价来减少模型的内存占用。

Oct, 2016

本文提出一种名为修正二值卷积网络（RBCNs）的优化二值卷积神经网络的方法，通过结合全精度卷积核和特征图在统一框架内实现二值化过程的校正，并使用生成对抗网络（GAN）以其相应的全精度模型为指导来训练 1 位二进制网络，从而显著提高了 BCNN 的性能。该方法的可塑性强，并可轻松纳入现有的 DCNN 中，如 WideResNets 和 ResNets。大量实验表明，所提出的 RBCNs 比最先进的 BCNNs 具有优越的性能，并在物体跟踪任务中显示了强大的泛化能力。

Aug, 2019

通过使用 2D 卷积和多层感知器作为组件的投影点卷积 (PPConv) 模块来优化点云处理算法，实现了在处理速度和分割性能之间的均衡。

Feb, 2022