本文提出一种新的卷积神经网络架构，通过将卷积核建模为连续函数，解决了传统神经网络处理序列数据时的梯度爆炸、记忆短视、非定长序列等问题，并在多个数据集上获得了最先进的结果。

Feb, 2021

该论文提出了一种名为 FlexConv 的新型卷积操作，可以在学习可学习核大小的高带宽卷积核时以固定的参数成本来建模长期依赖性，提高分类准确性。

Oct, 2021

Kernel Point Convolution（KPConv）是一种新的针对点云进行卷积的设计，其卷积权重位于欧几里得空间中的核点，能够适应任意数量的核点，由于其具有连续性，可以学习适应局部几何特征的形变卷积，并可用于许多复杂和简单任务的分类和分割，优于现有分类和分割方法。

Apr, 2019

本文提出了 Adaptive Graph Convolution (AdaptConv) 来生成自适应的核，以动态地学习点云的特征，从而以灵活、精确地捕捉不同语义部分点之间的多样关系的方式，改善了基于点云的卷积操作的适应能力，并且在几个基准数据集上表现优于当前最先进的点云分类和分割方法。

Aug, 2021

本文提出了一种基于 1D 异构卷积的架构中立卷积神经网络结构作为卷积神经网络的构建块，可以在 CIFAR 和 ImageNet 等数据集上显着提高模型的准确性和稳健性。

Aug, 2019

本文介绍了一种新的 kervolution 运算，该方法可以在非线性空间内运行，扩展了卷积神经网络的模型容量，捕捉更高阶的特征交互，并通过基于补丁的核函数实现，而不引入额外参数。大量实验表明， kervolutional neural networks (KNN) 比基线卷积神经网络具有更高的准确性和更快的收敛速度。

Apr, 2019

提出一种名为 Dynamic Convolution 的新设计，基于卷积核的注意力动态地聚合多个并行卷积核，从而增加模型复杂度，提高卷积神经网络的表示能力，有效提高 MobileNetV3-Small 模型在 ImageNet 分类任务上的精度。

Dec, 2019

最近的研究发现，视觉变换器（ViTs）的出色性能得益于大的接受域。因此，大型卷积核设计成为了使卷积神经网络（CNNs）再次伟大的理想解决方案。然而，典型的大卷积核证明是不符合各种硬件平台的操作符，导致不兼容。因此，简单地扩大卷积核尺寸是不明智的。本文中，我们揭示了小卷积核和卷积操作可以实现与大卷积核尺寸相近的效果。然后，我们提出了一种能够在保持硬件友好性的同时通过稀疏机制，确保 CNNs 捕捉长距离依赖关系的位移式操作符。实验结果表明，我们的位移式操作符显著提高了常规 CNN 的准确性，同时大幅降低了计算要求。在 ImageNet-1k 上，我们增强的位移式 CNN 模型胜过了最先进的模型。代码和模型详见该网址。

Jan, 2024

本研究介绍了有条件参数卷积（CondConv）的概念，通过为每个示例学习专用的卷积核，增加了神经网络的规模和容量，同时保持了有效推理，并在图像分类任务上展示了其在现有基于卷积神经网络的体系结构上的性能和推理成本的平衡。

Apr, 2019

本研究介绍了一种基于各向异性扩散核的内在卷积神经网络 (Anisotropic Convolutional Neural Network, ACNN)，该网络通过学习复杂形态变化的不变性，能够在极具挑战性的设置中高效地学习可变形形状间的内在密集对应关系，并在最近的对应基准测试中取得了最新的最佳结果。

May, 2016