在这篇论文中，我们利用两种不同的图像处理操作来研究这些过程如何学习眼动追踪模式，并提出了一种简单而有效的方法，将 involution 与 convolution 相结合，使其成为一个深度学习模型的位置特定能力的混合。我们调查了我们的方法在分类眼动追踪模式方面表现良好的原因。对于比较分析，我们对两个独立的数据集以及两者的组合版本进行了实验。结果表明，具有三个 involution 层的 IC 方法优于先前的方法。

Jan, 2024

本研究通过使用单层的 involution 特征提取器与紧凑的卷积模型相结合，显著增强了相似性搜索的性能；此外，通过使用 GELU 激活函数而非 ReLU，我们改善了预测准确性。在实际应用中，involution 模型的重量参数较少且性能更佳，使其非常有用。在 CIFAR-10、FashionMNIST 和 MNIST 数据集上，我们对我们的方法和其他模型进行了实验，结果显示我们的方法在所有三个数据集上表现优秀。

Apr, 2024

通过 i-RevNet 网络的可逆性证明了深度卷积网络并不需要通过逐步丢弃输入信息来学习代表信息以获得泛化能力，并通过线性插值对模型学习到的信息进行了解释。

Feb, 2018

利用反向卷积神经网络对图像特征表征进行研究，发现即使从初级的表征数据中仍然存在丰富的信息，同时深度网络的特征表征也可被还原并推出其某些特性。

Jun, 2015

该研究论文提出了一种深度卷积神经网络架构 ——Inception，该架构在 ImageNet 图像识别竞赛中取得了新的研究成果，提高了网络的深度和宽度，同时保持计算资源的稳定利用，并基于 Hebbian 原理和多尺度处理原则进行建构。具体表现为 GoogLeNet 网络，在分类和检测领域取得了不错的成绩。

Sep, 2014

使用深度卷积神经网络，结合直接反演、多分辨率分解和残差学习等技术来解决病态反问题，实验证明，在稀疏采样下，该方法能在不到一秒的时间内重建 512 x 512 的图像，取得了比迭代正则化平滑重建更好的效果。

Nov, 2016

本文综述使用卷积神经网络解决成像中的反问题的最新进展，并重点关注了设计决策，即训练数据的来源，CNN 的架构以及如何解决学习问题等关键理论。

Oct, 2017

本篇论文主要研究了如何利用适当分解卷积和激进的正则化等方法，使卷积神经网络计算效率最大化，并以 ILSVRC2012 分类挑战作为基准，报告了使用少于 2500 万参数的 5 亿乘加运算成本的网络，评估单帧评估的 top-1 误差 21.2％和 top-5 误差 5.6％的显著成果。

Dec, 2015

本研究旨在探讨如何反推一张图像的视觉信息，发现在 CNNs 的不同层中，层与层之间保留有关图像几何与光度不变性的信息。

Nov, 2014

本文提出了一种修改的卷积网络 Inception Network，在去除 dense prediction 和 pooling 的缺点基础上，将大型卷积核添加在每一层中，应用于典型的图像到图像学习问题中，表现出了比同类问题还要好的效果，如：皮肤检测，语义分割和压缩伪像去除等。

Jan, 2017