这篇论文介绍了一种用于大规模空间问题的卷积神经网络（CNN）的高效训练的新框架，通过对于信号静态性质的研究，我们展示了在小窗口信号上训练的 CNN 能够在较大窗口上实现几乎相同的性能，理论分析支持该论点并给出了性能退化的界限，在多目标跟踪和移动基础设施两个任务的实验分析中，我们的结果表明，经过少于十个代理训练的 CNN 能够在以前计算困难的规模上解决这些问题。

Jul, 2023

对现代深度卷积网络（CNN）未能在分布漂移下推广的问题进行了研究，并探究了预备数据量、模型规模和数据处理流程对迁移性能的影响，发现增加训练集和模型大小显著提高了分布偏移鲁棒性，同时是非常简单的预处理，如修改图像分辨率在某些情况下可以显著缓解鲁棒性问题。最后，我们提出了一个新的综合数据集 SI-Score 进行了系统的分析。

Jul, 2020

本研究介绍了一种卷积神经网络的泛化方法，使其适用于图形结构数据，使用随机游走揭示输入数据内部关系，通过学习底层图将其应用于许多标准分类或回归问题。

Apr, 2017

该研究将卷积神经网络推广到高维不规则图像中，通过谱图理论提出了一种卷积滤波器设计方法，在保持线性和常数学习复杂度的同时，实现了对任意图结构的卷积作用，成功在图像识别领域实现了局部、平稳、组合特征的学习。

Jun, 2016

引入一种新的可学习模块 ——Spatial Transformer，能够在现有的卷积网络结构中显式地允许对数据进行空间操作，从而使得模型得以学习对于平移、缩放、旋转以及基于更一般的扭曲变换的不变性，其模型表现在多个基准测试数据集上达到了最先进的水平。

Jun, 2015

本文提出了一种名为 DeepLGR 的新型框架，以有效应对城市范围内人流量分析面临的挑战。该框架包含局部特征提取模块、全局上下文模块和基于张量分解的区域特定预测器，具有较高的效率、稳定性和泛化性能，能够有效学习全局空间关系和区域潜在功能。

Feb, 2020

本文综述使用卷积神经网络解决成像中的反问题的最新进展，并重点关注了设计决策，即训练数据的来源，CNN 的架构以及如何解决学习问题等关键理论。

Oct, 2017

该论文采用对比学习方法提出了一种基于空间区域的卷积神经网络无监督训练方法，可与传统的神经网络结构和训练技巧相结合，提高模型性能。

Nov, 2016

本文介绍了一种将谱网络与图估计过程相结合的方法，用于构建小学习复杂度和处理没有强规律的领域的深层神经网络，并在大规模分类问题中测试并达到更好的性能。

Jun, 2015

本研究破解了学习理论中的一道难题，证明了深度卷积神经网络（CNN）是通用的，可以通过增加深度来达到任意精度的连续函数逼近，并且在处理大维度数据方面非常高效。同时我们的研究证明了卷积在深度 CNN 中的重要作用。

May, 2018