本文介绍了一种基于六边形图像处理的方法，称为 Hexnet，并与传统的基于方形图像处理的方法进行比较，结果表明基于六边形的模型优于传统模型，同时六边形的神经网络也能够从该模型中受益。

Nov, 2019

本研究展示了如何在六边形结构的晶格上高效地实现平面卷积和群卷积，通过充分利用六边形晶格的 6 倍旋转对称性可以实现更好的精度和更有效的参数共享，能够显著提高航拍场景分类数据集上的准确性。

Mar, 2018

本文介绍了使用针对三角网格而设计的卷积神经网络 MeshCNN 直接分析 3D 形状的方法，演示了任务驱动池化在应用于 3D 网格的各种学习任务中的有效性。

Sep, 2018

本文提出了一种适用于球形映射的基于图表达的卷积神经网络 DeepSphere，该方法在宇宙学领域中有着广泛的应用，通过对弱透镜质量图的分类问题的实验结果显示，DeepSphere 在高噪声和数据覆盖只有较小部分球面的情况下，通常比其他基线分类器在分类精度上提高 10%。

Oct, 2018

通过学习特征的六个平面对动态 3D 场景的显式建模，开发了一种高效的解决方案，称为 HexPlane，在节约训练时间的同时，能够在视角合成方面取得与之前研究相匹配的结果。

Jan, 2023

高维卷积神经网络可用于几何模式识别中，通过对高维空间中的线性子空间、三维注册、图像对应等问题的研究表明，相比于全局池化运算符，基于高维卷积神经网络的先进方法具有更好的性能。

May, 2020

本文提出了一种用于图像分割的 PyraMiD-LSTM 模型，相较 Convolutional Neural Networks 和 Multi-Dimensional Recurrent NNs 具有更好的数据并行化的能力，并在 MRBrainS13 中实现了最佳像素级别的脑影像分割结果。

Jun, 2015

研究了用于处理稀疏三维输入数据的卷积神经网络，并以 2D 三角晶格和 3D 四面体晶格的 CNN 效率为研究重点，适合于 3D 物体识别和时空对象分析等应用。

May, 2015

通过统一的几何原理，深度学习可以更好地揭示基本规律，提供数学框架来研究卷积神经网络、循环神经网络、图神经网络和变压器网络等神经网络，且可以将物理学知识结合到神经网络结构中，从而提供了未来神经网络结构的原则性方法。

Apr, 2021

本文利用回溯传播算法 (BPTT) 通过连接组重建构建蝇视觉系统模型（即光神经元和传导神经元），发现连接组信息可用于推测电路中单个神经元的功能特征，进而理解电路的功能和构成。

Jun, 2018