本文提出了一种新颖的无监督深度学习模型，叫做基于 PCA 的卷积神经网络（PCN）。PCN 的结构由多个特征提取阶段和一个非线性输出阶段组成，其中卷积层的滤波器是通过 PCA 算法学习得到的，而在非线性输出阶段，采用二进制哈希。实验结果表明，PCN 在手写数字识别、人脸识别和纹理分类等挑战性任务中表现优秀，而且由于没有监督微调的反向传播，因此比现有的深度网络更高效。

May, 2015

本文介绍了一种基于 MKLDNN 加速策略的轻量级 CPU 网络 PP-LCNet，这种网络在多项任务上得到了改进。通过技术上的提升，PP-LCNet 在分类任务中的准确性大大优于之前的网络结构，并在计算机视觉的下游任务中表现出色。该研究使用的所有实验都是基于 PaddlePaddle 实现的，并提供相应的代码和预训练模型。

Sep, 2021

本文提出了一个名为 PCA 网络（PCANet）的简单深度学习网络，它由级联主成分分析（PCA）、二进制哈希和块直方图等基本数据处理组件组成。PCANet 可以极其容易和高效地设计和学习，在多项基准视觉数据集上的表现不仅与各种手工特征和深度神经网络相当，而且在一些分类任务上取得了新的记录。

Apr, 2014

本文提出了一种名为 PointMLP 的纯残差 MLP 网络，它不使用复杂的局部几何提取器，但仍能表现出很高的竞争力，装备了提出的轻量级几何仿射模块，PointMLP 在多个数据集上都达到了新的最佳状态，相对于大多数最近的 CurveNet，PointMLP 的训练速度快两倍，测试速度快七倍，并在 ModelNet40 基准测试中获得更高的精度。

Feb, 2022

本文介绍了点卷积神经网络（PCNN）的框架和两个算子：扩展和限制。此外，还定义了点云卷积的概念，其具有高效性，不受各种因素的影响，并可将卷积核用于任何点云中。通过三项常见的点云学习基准测试，证明了 PCNN 方法的有效性。

Mar, 2018

本文提出了一种新的基于学习的方法 ——Point Completion Network（PCN），该方法直接在原始点云上操作而不需要任何结构假设或注释，并且其解码器设计可以在保持参数数量较小的同时生成精细的完整点云。实验结果表明，PCN 在处理各种不完整和噪声的输入时可以产生密集、完整、具有现实结构的点云。

Aug, 2018

本文提出一种新的高效 Transformer-based 的点云预测网络，并设计了语义辅助训练策略来对未来的 LiDAR 点云进行预测，该方法是完全自监督的，并且在预测结果和语义相似性上表现出超越最先进的 PCP 方法的性能，具有良好的实时性能。

Apr, 2023

该研究论文提出了一种基于 PCA 的单次分析方式，可在不进行迭代重新训练的情况下，优化计算机视觉中的深度学习模型，包括 AlexNet，VGG 和 MobileNet，减少计算操作次数和参数数量。

Dec, 2018

介绍了一种新型的粒子卷积网络层 (Particle Convolution Network, PCN)，适用于喷注物理学中的许多任务。在两个标准基准任务中，表明可将 PCN 推广以包括与喷注物理学相关的其他卷积对称性，从而超越图网络设置，同时提供物理驱动的归纳偏差控制的新程度

Jul, 2021

介绍了用于深度学习的简单置换等变层，通过参数共享获得并且在每个集合的大小上具有线性时间复杂度。 使用深度置换不变网络执行点云分类和 MNIST 数字求和，其中在两种情况下输出都不变于输入的置换。在半监督设置中，我们展示了这种层类型在集合异常检测以及带有指导信息的半监督学习中的有用性。

Nov, 2016