该论文提出了一种基于可学习空间的扩张卷积（DCLS）, 通过插值来处理非整数位置，其中使用了高斯插值，以提高在 ConvNeXt 和 Conv-Former 两种卷积网络上的 ImageNet1k 分类性能，而不增加模型参数。该方法基于 PyTorch 编写实现，并提供代码。

Jun, 2023

该研究提出了一种新型的 “可学习空隙扩张卷积”（DCLS）方法来增加卷积神经网络（CNN）的感受野大小，从而提高图像分类的准确性，而且不会增加可训练参数的数量。该方法可以通过在卷积核中只添加一些非零元素，然后通过反向传播技术学习它们的间距来实现。

Dec, 2021

提出了一个新的离线离散时间算法，基于通过时间的 1D 卷积进行模拟，来学习深度前馈 SNN 中的延迟并提高其表现，这一算法使用了可学习间隔的扩张卷积（DCLS），在测试中表现优于最新技术，为时序数据处理中精确模型的发展提供了潜力。

Jun, 2023

本研究使用深度协同学习（DCL）方法，将卷积层分解成两个小的卷积层，然后将它们在每个空间位置处融合，以减少计算复杂度和模型复杂度，同时提高在各种视觉识别任务中的准确性，减少模型参数 (在 AlexNet 中减少 16.82%)。

Mar, 2017

为了解决当前深度学习方法在声场分类中计算复杂度高、性能不理想的问题，我们提出了一种深度可分离蒸馏网络。该网络在对 log-mel 频谱图进行高低频分解的同时显著降低了计算复杂度，并特别设计了三种轻量级算子，包括可分离卷积、正交可分离卷积和可分离部分卷积，这些算子在声场分类任务中具有高效的特征提取能力。实验结果表明，与当前流行的深度学习方法相比，该方法在性能上提高了 9.8%，同时参数数量和计算复杂度更小。

May, 2024

本文提出了一种新的 CNN 结构称为密集连接扩张 DenseNet（D3Net），用于模拟同时具有多分辨率数据的音频信号，该结构避免了在 DenseNet 中纳入扩张卷积时存在的混叠问题。通过对 MUSDB18 数据集的实验结果表明，D3Net 具有最先进的性能，平均信号失真比为 6.01 分贝。

Oct, 2020

本文介绍了利用卷积神经网络在语音帧上实现像素级密集预测的方法，使用时间扩张卷积处理时间池化，并通过使用大型 n-gram 语言模型，实现了 HUB5 Switchboard-2000 基准任务的最佳单模型单通性能，WER 为 7.7%。

Nov, 2016

本文提出了一种基于卷积递归神经网络的时空关注池化层，用于学习判别性模式并抑制与声学场景分类无关的模式。实验证明该方法不仅优于强卷积神经网络基线，还在 LITIS Rouen 数据库上取得了新的最优性能。

Apr, 2019

通过提出密集通道压缩特征空间固化的方法 (即 Dense Channel Compression for Feature Spatial Solidification Method)，并在骨干网络和头部网络中引入两个创新模块 (即 DCFS 和 ADH)，并将其集成到 YOLOv5 模型中，得到了表现优异的 YOLOCS 模型，使其在 MSCOCO 数据集上的 AP 都得到了提升，且推理速度与 YOLOv5 模型相当。

May, 2023

此研究提供了一种深度卷积循环模型，结合注意力机制和时间定位模块，进行弱监督的音频标记，以及在 DCASE 2016 挑战中达到了良好的性能。

Mar, 2017