本文提出了一种基于边界感知的图像分割网络，它包含一个预测 - 优化的体系结构和一个混合损失函数，可用于高精度图像分割，并在显著对象分割和伪装对象分割等任务上展示了出色的性能。基于该网络，开发了 “AR COPY＆PASTE” 和 “OBJECT CUT” 两个商业应用，可供公众使用。

Jan, 2021

使用 SynNet 技术构建的预训练模型进行跨领域机器阅读理解，将 F1 值提高至 44.3%，并使用多个模型预测融合，达到 46.6% 的 F1 值，在无提供的标注数据情况下，优于基线模型的 7.6%。

Jun, 2017

本研究提出了一种名为 “生成综合” 的新方法，它可以自动生成高度有效的深度神经网络架构，该方法可以广泛应用于移动和其他消费设备的边缘场景中，目的是加速和改进深度学习模型的构建，并提高模型效率和能源效率。

Sep, 2018

本文介绍了一种名为 Cross Stage Partial Network (CSPNet) 的深度神经网络，旨在通过减少多余的梯度信息占用，降低网络推理的计算资源消耗。该方法可以与 ResNet、ResNeXt 和 DenseNet 等不同类型的深度神经网络结构相兼容，且实验结果表明，该方法在 ImageNet 和 MS COCO object detection dataset 上的精度和推理速度优于当前的最佳技术。

Nov, 2019

本文介绍了一种利用 MobileNet 二值化来进行激活函数和模型权重处理的简单而高效的方案，同时提出了一个新的神经网络结构 MoBiNet，通过跳连接来防止信息丢失和梯度消失，以便更好地进行训练，并在 ImageNet 数据集上进行了实验。结果表明，MoBiNet 在大大减少计算成本的情况下，实现了 54.40％的 top-1 准确率和可比较的准确性。

Jul, 2019

本文介绍了 MobileNets 这一基于深度可分离卷积的轻量级深度神经网络架构，提出了利用全局超参数在时延和准确性之间平衡的方法，并在图像分类等多个领域进行了广泛实验。

Apr, 2017

本文提出了一种新的卷积神经网络合并方法，在共享权重的基础上，将训练好的两个具有不同架构的网络在推断阶段融合为一个统一的模型，以适应资源有限的设备，实验结果表明此方法有效。

May, 2018

本文介绍一种新颖的深度网络架构 ——BranchyNet，该架构通过引入额外的支路分类器，允许预测结果提前退出网络，实现较高置信度下的快速推理，以此同时提高网络的分类准确度，并有效地降低网络的推理时间。

Sep, 2017

本文提出了一种自动化的移动神经结构搜索（MNAS）方法，该方法将模型延迟明确地纳入主要目标，以便搜索可以识别满足准确性和延迟之间良好平衡的模型， 实验结果表明，该方法在多个视觉任务中始终优于现有的移动卷积神经网络模型，并且实现了更好的 mAP 质量。

Jul, 2018

通过对多个移动设备上的网络进行部署和分析，提出了有效神经网络的优化瓶颈，设计了一种高效的 MobileOne 神经网络，该网络在 iPhone12 上获得了 1 ms 以下的推断时间，并在性能和速度方面超越了现有的语义分割网络。

Jun, 2022