本文提出了一种名为 “不对称瓶颈” 的新型卷积神经网络模块设计，它采用调整第一次卷积层维度、特征重用和计算迁移等手段来优化紧凑型 CNN 的性能，通过实验证明，在移动网络和超轻量级 CNNs 中使用该设计可以比之前的设计进一步提高网络的精度，代码可在给出的网址中查看。

Apr, 2021

本文介绍了一种名为 Deep Anchored Convolutional Neural Network (DACNN) 的卷积神经网络架构，它使用单个卷积核并采用权重共享技术进行网络压缩，同时增加了一个名为 regulators 的易于插入的模块来提高性能，在 CIFAR-10、CIFAR-100 和 SVHN 数据集上验证了其准确性与显著的内存节省。

Apr, 2019

本文提出了算法强度平衡卷积 (ABConv) 以解决使用小空间大小进行卷积时整体强度受到限制的问题，并在不牺牲准确性的前提下显著降低了延迟。测试了其在各种配置中的延迟和硬件性能，并将其用于 CIFAR100 的图像分类。

Apr, 2023

该论文提出了一种名为 ACU 的卷积单元，其形状可以通过反向传递的方式学习，具有比传统卷积单元更大的灵活性和更好的性能，可用于各种数据集和架构。

Mar, 2017

本研究介绍了一种基于各向异性扩散核的内在卷积神经网络 (Anisotropic Convolutional Neural Network, ACNN)，该网络通过学习复杂形态变化的不变性，能够在极具挑战性的设置中高效地学习可变形形状间的内在密集对应关系，并在最近的对应基准测试中取得了最新的最佳结果。

May, 2016

我们研究的目标是统一现有作品在架构组件如何影响 CNN 的对抗鲁棒性方面的分歧意见。为了实现我们的目标，我们综合了三个可推广的鲁棒架构设计原则：(a) 深度和宽度配置的最佳范围，(b) 优先使用卷积而非拼贴块的初始阶段，和 (c) 通过采用挤压和激励块以及非参数平滑激活函数的鲁棒残差块设计。通过在广泛的数据集规模、对抗训练方法、模型参数和网络设计空间上进行大量实验证明，我们的原则始终显著提高 AutoAttack 的准确性：CIFAR-10 和 CIFAR-100 上为 1-3 个百分点 (pp)，ImageNet 上为 4-9 个百分点 (pp)。代码可以公开访问该 URL。

Aug, 2023

本文旨在回答选定 CNN 模型是否是最优的准确度和模型大小，并提出了一种新的策略，通过拉伸和对称分割来优化架构，从而提高准确性并减小模型大小。作者在两个自然场景属性数据集上测试了该方法并证明了其有效性。

Apr, 2016

本文利用神经结构搜索技术提出了一种新的反对抗攻击方法 Anti-bandit NAS (ABanditNAS), 实验证明 ABanditNAS 在 CIFAR-10 数据集中取得了 8.73% 的性能提升，同时比其他神经结构搜索方法具有更高的速度和更好的性能.

Aug, 2020

提出了一种新的训练策略，通过学习有关器官形状和位置的先验知识，将其应用于 CNN 中，以改善图像分析方法的性能，改进了 CNN 的分割效果，成功将其应用于心脏数据集并探讨了其在分类心脏病理学方面的应用。

May, 2017

本文介绍了基于神经网络框架的扩张算法来提高卷积神经网络在对抗攻击下的鲁棒性能，实验结果表明该算法能够在不损失标准准确性的前提下提高对抗鲁棒性。

Aug, 2021