该论文介绍了一种名为 Sparse CNN 的卷积神经网络加速器体系结构，它可以通过利用 CNN 训练期间的网络修剪所产生的零值权重以及推理期间常见的 ReLU 算子产生的零值激活来提高性能和能源效率，从而减少数据传输和存储要求，并通过一种新型数据流方式有效地传递权重和激活值到乘法器阵列。该加速器在现代神经网络上可以将性能和能源效率分别提升 2.7 倍和 2.3 倍。

May, 2017

本文介绍了一种名为 Spatial CNN (SCNN) 的神经网络，该网络利用了基于特征图的层间切片卷积来实现像素之间的跨行列信息传递，从而加强了卷积神经网络 (CNN) 学习结构输出的能力，特别适用于具有强空间关系但较少外表线索的目标识别任务，例如交通车道检测。实验结果表明，与传统的 RNN 和 MRF+CNN（MRFNet）相比，SCNN 可显著提高车道检测数据集的准确度。

Dec, 2017

使用递归神经网络结合卷积神经网络提取物体自身结构信息来增强视觉追踪系统对于相似干扰的鲁棒性。在 OTB100、TC-128 和 VOT2015 三个基准测试集上不仅表现优异，且代码已经公开发布。

Nov, 2016

本论文提出和评估了几个深度神经网络架构，用于对比以往更长时间段内视频图像信息的组合。通过一些新的方法，包括卷积时间特征池化和循环神经网络结构，该论文指出最佳神经网络在 Sports 1 million 数据集（73.1％对 60.9％）和 UCF-101 数据集中（88.6％对 88.0％）及无附加光流信息（82.6％对 72.8％）上明显性能提高。

Mar, 2015

本文设计了一种基于 SC 的 DCNN，并优化了其各个方面，包括内积、池化、激活函数、特征提取块、权重存储方法等，以实现高效、可扩展和节能的硬件优化。

Nov, 2016

本文介绍了一种新的卷积神经网络 SCA-CNN，其中引入了空间和通道注意力，用于图像描述任务，结果表明 SCA-CNN 明显优于现有的基于视觉关注的图像描述方法。

Nov, 2016

本文提出了一个名为 Spatiotemporal Sampling Network (STSN) 的模型，使用了时间上的可变卷积，在视频中进行目标检测。通过从相邻的帧中学习空间采样特征，本文展示了 STSN 具有鲁棒性，并且不需要额外的监督。该模型在 ImageNet VID 数据集上表现优异，并且相比于之前的视频目标检测方法，本文的方法利用了更简单的设计且对于训练没有光流数据的要求。

Mar, 2018

使用 ILSVRC15 数据集训练的全卷积 Siamese 网络在视频中实现物体检测和追踪，取得了多项基准测试中的最优性能。

Jun, 2016

本文提出了一种尺度不变的卷积神经网络（SiCNN），采用多列结构，每一列专注于特定尺度，用尺度变换共享相同的滤波器参数，以应对尺度变化，实验结果表明 SiCNN 能够检测各种尺度的特征，并且分类结果表现出对物体尺度变化的强大鲁棒性。

Nov, 2014

本文主要研究了深度学习中卷积神经网络在文本分类中的局限性，提出了一种基于序列卷积注意力递归网络（SCARN）的新模型，在多种文本分类任务中均取得了优异的表现，且参数数量较少，同时超越了其他很多深度 CNN 和 LSTM 模型的性能。

Aug, 2019