本文通过严格的评估探索了不同的深度学习架构，比较它们在公共领域的性能，并识别和披露了重要的实现细节，同时指出了CNN基础表示的几个有用属性，包括输出层维度可以显著降低而不会对性能产生不利影响，以及深浅层方法可以成功共享的方面。

May, 2014

该研究论文探讨了计算机视觉问题中使用深度学习技术的发展趋势，着重介绍了卷积神经网络（CNNs）及其应用，帮助初学者了解何种深度网络适用于计算机视觉问题。

Jan, 2016

本文提出了一种名为DecomposeMe的简单而有效的技术，使用1D卷积来学习特征，通过加强滤波器共享，以提高学习能力。作者使用ImageNet数据集和Places2数据集进行了一组实验，结果显示此技术可在显著减少需要的参数数量的同时提高网络性能，在Places2数据集上相对top-1分类精度提高了7.7％且所需的参数数量比VGG-B少92％，并可转换为其他任务的网络结构。

Jun, 2016

本文提供了对现有技术的卷积神经网络分析和拓扑构建的全面概述，并描述和评估了一些层次分类器。此外，本文还开发了一种可视化分类错误的新方法，并在CIFAR-100上量化了一些结果，如在精度方面较小批量大小、平均集成、数据增强和测试时间转换等的积极影响。本文还开发了一个模型，它只有100万个学习参数，适用于32x32x3和100类输入，并在基准数据集Asirra、GTSRB、HASYv2和STL-10上击败了现有技术。

Jul, 2017

本文从深度卷积神经网络的内在分类入手，将现有研究成果归纳为七大类，即空间利用、深度、多路径、宽度、特征图利用、通道增强和注意力，同时介绍CNN组件的基础理解、当前挑战和应用领域。

Jan, 2019

本研究对以深度学习为基础的定位和建图方法进行全面调查和分类，讨论了目前模型的局限性，并预示了未来的方向。文中涵盖了从学习里程估计、绘图到全局定位和同时定位和绘图（SLAM）等广泛的话题，探讨了利用车载传感器来感知自我动作和场景理解的问题，并展示了如何将这些模块集成到SMIS中。希望本研究能连接机器人学、计算机视觉和机器学习社区的新兴工作，并为未来研究者提供指南，应用深度学习来解决定位和绘图问题。

Jun, 2020

运用神经结构搜索技术(NAS), 我们为视觉姿态估计任务自动确定了几个帕累托最优的卷积神经网络(CNNs), 以适应小型UAV硬件限制的特点，展示了现实生活中多个NAS优化的CNNs可以在27克的Crazyflie纳米UAV上运行，并通过降低32％的实地控制误差，具有实时的推断速率 ~10Hz@10mW和~50Hz@90mW，从而进一步优化了CNNs。

Mar, 2023

我们提出了一个通用的神经网络架构，该架构由任务无关的组件组成，实现了在 ImageNav 和 ObjectNav 任务上的最新成果，而无需任何任务特定的模块，我们的模型是基于最近的自监督学习（SSL）和视觉变压器（ViT）的预训练模型构建，在 ViT 修补表示上操作一个压缩层以保留空间信息，并改进策略训练，这些改进使我们能够首次在视觉导航任务中展现了正向编放律。

Mar, 2023

介绍了一种基于二值卷积神经网络层的新型深度本地特征描述架构，该架构可显著降低计算和内存需求，并应用于实际的小天体图像上，相对于传统的手工制作方法表现出更好的性能，同时证明了在下一代宇宙飞船处理器上可实现可行的运行时间。

Apr, 2023

通过硬件软件的协同设计，我们提出了基于随机电阻存储器的深度极端点学习机，实现了高效统一的点集分析，比传统系统节省了大量能源并降低了训练成本，为各种数据模态和任务提供了节能高效的边缘人工智能解决方案。

Dec, 2023