本文提出了一种改进的训练方法来提高具有更高准确性的紧凑型二值化 CNN，其中可训练的权重和激活的比例因子被引入以增加值范围，并通过反向传播与其他参数一起进行训练。通过这些改进，与前人工作相比，本文二值化 CNN 在 CIFAR-10 上的准确度达到 92.3％，在 ImageNet 上，我们的方法用 AlexNet 获得 46.1％的 top-1 准确度，用 Resnet-18 获得 54.2％的 top-1 准确度。

Sep, 2019

本篇论文提出一系列工程技术来改善二值化神经网络的准确性，包括更合适的激活函数、反向初始化、渐进式量化、网络叠加等，并在人体姿态估计和 ImageNet 大规模图像识别任务中验证了其优越性。此外，还首次探讨了二值化神经网络和知识蒸馏相结合的效果。

Apr, 2019

通过三个互补的角度：创新设计一个基于全方位研究后的二进制结构 BNext、提出一种新的知识蒸馏技术以缓解训练极精确二进制模型时出现的过拟合问题、并使用来自全精度模型的最新技术现代化二进制网络的数据增强管线，我们让二进制神经网络在 ILSVRC-2012 ImageNet 上达到了至关重要的准确度水平 (例如 80.57%)，并且明显优于所有现有的二进制网络。

Nov, 2022

研究二进制神经网络的训练策略和在移动和嵌入式设备上应用的性能，通过采用一种更简单的训练策略，成功提高了二进制神经网络的性能并在标准数据集上取得了最新成果，还成功将具有密集连接的网络架构引入二进制网络领域。

Dec, 2018

提出了 ReBNet 框架，用于训练可重构的二进制神经网络并在 FPGA 上执行，通过多级二值化提高分类准确性同时满足资源有限的设备要求。

Nov, 2017

本研究提出了使用进化搜索来促进 MobileNet 的二值化设计和训练方案，通过操作组卷积的想法来设计高效的 1 位卷积神经网络，从而探索最佳的候选组卷积，以优化模型性能，并在 ImageNet 上进行了各种实验，展示了我们的构建指南，最终模型在相同计算成本下超越了现有技术。

May, 2020

本文介绍了一种使用对比学习和最大化互信息的方法来使用二进制神经网络实现更好的分类和分割结果，以减少因为二值化操作而导致的信息丢失。

Jul, 2022

本文研究了一比特卷积神经网络，通过使用 Bi-Real net 和新颖的训练算法来提高其表现能力和训练困难性，并在 ImageNet 上获得了 56.4％的 top-1 分类准确性，比现有技术提高了 10％以上。

Nov, 2018

本文介绍了如何训练二值网络，并通过优化过程和实值卷积输出来最大限度地提高准确性，这对于图像分类任务非常有用。

Mar, 2020

本文提出了两种卷积神经网络的高效近似方案：二进制权重网络和 XNOR - 网络，其中 XNOR - 网络既将卷积层输入又将滤波器二值化，主要利用二值运算来近似卷积，这使得卷积速度快 58 倍且内存占用仅为原来的 1/32，而且其分类性能在 ImageNet 数据集上也优于其他网络二值化方法。

Mar, 2016