本研究介绍了 Batch DropBlock (BDB) 网络，利用两个分支，卷积神经网络学习全局与局部特征。通过具有随机区域性特殊性和专注性的特征删除模块，构建了局部特征学习的分支，同时保留全局特征学习的信息，实现了更全面和空间分布更均匀的特征表示。最终，方法在行人再识别任务上实现了最优结果，并且其方法同样适用于一般的度量学习任务.

Nov, 2018

在此研究中，我们提出了一种新的双批次分裂协同训练方法，以解决使用多分支网络架构进行个人再识别（Re-ID）时的训练难度问题，该方法可以通过使用多个特征 dropping 分支以实现特定多样性的学习，并取得了比 Batch DropBlock network 更好的性能。

Feb, 2020

本文介绍一种基于 Discrimination 的块级剪枝方法 (DBP)，通过削减深度神经网络中的冗余块，实现了比基于滤波器剪枝方法高的加速比和准确率。

Dec, 2019

本文介绍了一种结构化的 DropBlock 正则化形式，适用于卷积神经网络。在 ImageNet 分类和 COCO 检测中，使用 DropBlock 对 ResNet-50 和 RetinaNet 的平均精度和准确率都有了明显的提升。

Oct, 2018

本文提出了一种新的卷积神经网络模型，称为双卷积神经网络，该模型通过共享权重参数进行优化，在图像分类领域有着显著的性能提升。在 CIFAR-10，CIFAR-100 和 ImageNet 等图像分类基准测试中，该模型的性能均显著优于其他竞争模型。同时，本文还说明了双卷积神经网络在多方面性能均有体现，既可以构建更准确的模型，又可以以牺牲一定准确性的代价来减少模型的内存占用。

Oct, 2016

提出了一种 Decoupled Dynamic Filter（DDF）卷积方法，可以同时解决标准卷积的两个主要缺点：内容不适配和计算量大。DDF 将深度动态滤波器分解为空间动态滤波器和通道动态滤波器，大大减少了参数数量，并将计算成本限制在与深度卷积相同的水平上。在分类网络中，使用 DDF 替换标准卷积可以显著提高性能，同时其计算成本几乎减半。在检测和联合上采样网络上进行的实验也证明了 DDF-upsampling 变体在比标准卷积和专门的内容自适应层更优秀的性能。

Apr, 2021

本文提出了一种深度卷积神经网络体系结构，用作通用的图像到图像回归器，可以直接进行端到端的训练。我们提出的体系结构 —— 递归分支反卷积网络（RBDN）采用高效的递归分支方案和可学习的上采样，早期开发了一种廉价的多重上下文图像表示方法。该 RBDN 体系结构是完全卷积的，在推断过程中可以处理不同大小的图像。我们在 relighting、去噪和着色 3 个不同的任务上提供了定性 / 定量结果，并表明，当不进行任何后处理或任务特定的架构修改时，我们提出的 RBDN 体系结构在每个任务上都可以获得与最先进技术相当的结果。

Dec, 2016

本文提出了基于投影的卷积神经网络（PCNNs），使用离散的反向传播来提高二值神经网络（BNNs）的性能，并在 ImageNet 和 CIFAR 数据集上实现了比其他最先进的 BNNs 更好的分类性能。

Nov, 2018

本文提出了一种名为深度不对称瓶颈网络（DABNet）的语义分割神经网络，通过采用新颖的 Depthwise Asymmetric Bottleneck (DAB) 模块，融合了深度卷积和空洞卷积，在保持较高精度的同时也实现了实时性，对于自主系统和机器人仍具有较高的实用价值。

Jul, 2019

本研究提出了一种基于 Tied Block Convolution（TBC）的方法，可用于优化 CNN 的滤波器，提高特征表示的表达力并适用于多种主干网络和注意力模块，可以提高检测，实例分割和注意力方面的性能，特别是在处理高度重叠实例方面具有优势。

Sep, 2020