本文提出了一种基于改进的 3D-DenseNet 模型和轻量级模型设计的可学习组卷积网络 (LGCNet)，用于加速在具有严格延迟要求和受限计算能力的边缘设备上模型的部署，该网络通过引入针对输入通道和卷积核分组的动态学习方法改善了组卷积的不足，从而实现灵活的分组结构和更好的表示能力。此外，LGCNet 在印度藤条，帕维亚大学和 KSC 数据集上取得了速度和精度方面的进展，优于主流的高光谱图像分类方法。

Jul, 2023

本文提出一种动态组卷积 (Dynamic Group Convolution, DGC) 方法，它不仅保留了原有网络结构，还能够根据输入图像动态选择连接哪些输入通道，以实现对图像语义特征的自适应提取，有效提高了卷积神经网络的计算效率和图像分类性能。

Jul, 2020

该论文提出基于类别的动态图卷积网络 CDGCNet，采用类别动态图卷积（CDGC）模块自适应地传递信息，获得了在 Cityscapes，PASCAL VOC 2012 和 COCO Stuff 等三个流行的语义分割基准上的 state-of-the-art 表现。

Jul, 2020

探讨使用最小批次图卷积网络和融合策略，对高光谱图像进行分类识别的性能提升。

Aug, 2020

本文提出了一种基于图卷积网络的新方法 (DGCNet)，主要用于像素级预测任务，为解决语义分割问题提供长程上下文信息建模。通过建模两个正交图来模拟输入特征的全局上下文，并通过将特征投影到新的低维空间来有效地实现。实现的模型在 Cityscapes 和 Pascal Context 数据集上取得了最优结果

Sep, 2019

通过空间分组卷积（SGC）来加速 3D 密集预测任务的计算。SGC 是一种与组卷积正交的方法，它作用于空间维度而不是特征通道维度。它将输入体素划分为不同的组，然后在这些分离的组上进行 3D 稀疏卷积。在进行卷积时，只有有效的体素被考虑到，因此可以大大减少计算量并略微降低精度。我们将所提出的操作用于语义场景完成任务，该任务旨在从单个深度图像中预测具有语义标签的完整 3D 体积。基于 SGC，我们进一步提出了一种高效的 3D 稀疏卷积网络，它利用了多尺度架构和粗到精的预测策略。在 SUNCG 数据集上进行了评估，并实现了最先进的性能和快速速度。我们的代码可在 https URL 上获得。

Jul, 2019

提出了一种名为 S2RC-GCN 的新型空间光谱可靠对比图卷积分类框架，通过融合一维和二维编码器提取的光谱和空间特征，构建图形并将其输入到图卷积网络中以确定更有效的图形表示，进一步提出了一种可靠的对比图卷积方法以学习和融合鲁棒特征，测试结果表明该模型在复杂对象分类方面取得了最佳效果，有效提高了复杂遥感图像的分类性能。

Apr, 2024

本文提出了一种名为 DDCM-Net 的新架构，该架构通过合并密集膨胀卷积和不同膨胀率，有效地利用了丰富的膨胀卷积组合，同时获取局部和全局的信息，提高了远程遥感图像的分类准确度，并在多个数据集上得到了比其他公开模型更好的结果。

Mar, 2020

提出了一种在点云中基于消息传递和动态图形的 3D 物体检测架构，通过一种针对 3D 检测任务的集合到集合的蒸馏方法来简化知识蒸馏，实现了自动驾驶基准测试的最先进性能。

Oct, 2021

本研究旨在探讨 3D 群组卷积网络在视频分类网络中所能提供的计算效益，以及在设计中做出不同选择的影响。实验结果表明，分离通道交互和时空交互是提升网络准确性以及降低计算成本的好策略，3D 通道分离卷积还能够为网络提供一种正则化，我们提出的分离通道卷积神经网络（CSN）成为了一种简单且高效的技术。

Apr, 2019