该研究提出了一种基于非局部稀疏性的深度卷积神经网络去噪范式，结合了卷积神经网络和非局部滤波器，证明了在大型灰度图像数据集上具有最先进的性能。

Mar, 2018

使用卷积神经网络原理，对多说话人的来源定位问题提出了一种基于合成噪声信号训练 CNN 的新方法，并进行了与其它方法的比较。

Dec, 2017

本文提出使用卷积神经网络 (CNNs) 在浅水复途径环境下，对宽带声辐射噪声源（如机动船只）的源定位，通过使用 cepstrogram 和广义交叉相关图作为输入， 显示出更可靠的效果，同时证明了在海上实验中，相比传统的被动测距方法，其定位性能得到了改进。

Oct, 2017

提出一种基于神经网络的生物学可行模型，它通过利用源域信息提取相关的潜在因素。该模型采用最大相关信息转移作为分离目标，遵循输出限制约束，从而具有本地学习规则。使用不同的源域选择，可灵活地建模复杂的潜在结构，从而具有出色的相关源分离能力。

Oct, 2022

通过将非局部算法与轻量级残差卷积神经网络相结合，提出了一个解决方案，充分发挥了两种模型的优势，将计算要求降至最低，并在图像去噪中表现出色。

Mar, 2024

本文旨在加速深度卷积神经网络的测试时间计算，通过最小化非线性响应的重建误差，附加一种低秩约束，以帮助降低过滤器的复杂度，该算法可以减小多层输入的叠加误差并提高模型精度，可将 ImageNet 的训练速度提升 4 倍，精度提高 4.7%。

Nov, 2014

提出了一种使用非局部神经网络（NL-CSNet）的新型图像压缩感知（CS）框架，利用测量域和多尺度特征域中的非局部自相似先验知识，旨在改善重构质量。

Dec, 2021

为了准确预测船只远场噪声，本研究提出了一种融合海底地形数据的新型条件卷积神经网络，通过将该架构整合到持续学习框架中，希望将模型推广到全球各地海底地形的不同情况。该架构能够有效捕捉变化的海底地形下的传输损耗，可集成到水下辐射噪声的自适应管理系统中，提供近场船只噪声源与海洋哺乳动物所在位置接收到的噪声之间的实时端到端映射。

Apr, 2024

利用神经网络从非负混合源中提取独立源，将盲源分离问题转化为相似性匹配问题，根据生物学上合理的局部学习规则来更新网络的突触权重。

Jun, 2017

研究了使用带有噪声标签的数据进行训练时深度神经网络的性能问题，提出了一种名为 NetAb 的卷积神经网络模型以处理噪声标签并使用互惠强化训练法来训练两个卷积神经网络，在句子级情感分类中表现出良好的性能。

Aug, 2019