提出了一种快速有效的方法，在卷积神经网络中通过指数加权降采样操作以更好地保留信息，从而提高分类准确率和动作识别性能。

Jan, 2021

本文介绍了一种基于最近图像降采样研究的深度学习方法，叫做细节保留池化 (DPP)，它可以放大空间变化并保留重要的结构细节，其参数可以与网络的其余部分一起学习，在几个数据集和网络上的实验证明 DPP 方法在性能上优于常规池化方法。

Apr, 2018

该论文提出了一种适应性下采样方案，通过允许以更高的分辨率处理信息丰富的区域而不是信息较少的区域，从而提高了各种已建立 CNN 的成本 - 准确性权衡效果。

May, 2023

本文提出了 LiftPool 池化方法，实现了双向池化层，包括 LiftDownPool 与 LiftUpPool。LiftDownPool 将特征图分解成多个不同频率信息的下采样子带，通过 LiftUpPool 进行精细化上采样并保留显著细节信息，本研究在图像分类和语义分割等方面达到了更好的性能，同时具有更好的健壮性。

Apr, 2021

本文提出了插入自适应采样层到现有深度神经网络中以提高效率的 SSBNet，该方法在 ImageNet 和 COCO 数据集上达到了竞争性的图像分类和目标检测性能。

Jul, 2022

介绍了一种新型的池化算子 RNNpool—— 基于循环神经网络，可在大的图像区域上高效地聚合特征，快速下采样激活映射。在标准视觉任务中应用于 MobileNets、DenseNet 等多种体系结构，可显著降低推理的计算复杂度和峰值内存使用量，保持可比的准确性。使用 RNNpool 与标准 S3FD 体系结构构建了一种面部检测方法，在 256 KB RAM 以下的微型控制器上实现了最先进的 MAP。

Feb, 2020

提出了一种基于深度学习的新方法来进行人类动作识别，该方法通过不断预测视频帧的判别重要性并汇集这些帧，从而在单次时间扫描中丢弃大部分无信息帧，证明该汇集方法在标准基准测试中具有有效性，与基线汇集方法相比具有竞争力，同时利用辅助的视频表示方法在两个具有挑战性和公开可用的基准数据集上取得了最新的竞争性结果。

Nov, 2016

本文提出了一种新的池化方案：有序池化，其通过使用不同的权重对池化区域的元素进行加权平均以计算池化操作，从而达到了加速训练和提高准确性等优点。

Sep, 2021

本研究提出了一种具有随机空间采样的池化策略（S3Pool），其在多个流行的图像分类基准测试中表现出显著的改进。

Nov, 2016

本文提出了一种基于本地重要性建模的简单，通用且有效的池化层 LIP，它能够学习自适应重要性权重，从而提高下采样过程中的判别特征，在 ImageNet 分类和 MS COCO 数据集的目标检测中都取得了很好的性能。

Aug, 2019