本研究使用GPU实现卷积神经网络，并利用监督学习的方法进行特征提取，通过设计深度分层结构比以往浅层网络获得更好的性能，在目标分类和手写数字识别任务中取得了目前最佳的结果。

Feb, 2011

本文通过严格的评估探索了不同的深度学习架构，比较它们在公共领域的性能，并识别和披露了重要的实现细节，同时指出了CNN基础表示的几个有用属性，包括输出层维度可以显著降低而不会对性能产生不利影响，以及深浅层方法可以成功共享的方面。

May, 2014

通过重新评估小图像物体识别的状态并提出新的CNN网络结构，本文发现在保持精度的情况下，最大池化层可以简单地用增加步长的卷积层取代，并引入了一种新型的变体来可视化CNN学习到的特征。

Dec, 2014

本文提出了一种通过使用卷积滤波器的低秩表示来创建计算有效卷积神经网络的新方法，该方法通过学习一组小的基础过滤器从头开始进行训练，使网络有效地初始化连接权重。通过使用该方法，我们在CIFAR、ILSVRC和MIT Places数据集上训练了几种现有的CNN体系结构，并证实其优异的性能。

Nov, 2015

本文系统地研究了卷积神经网络结构和学习方法的多个进展对目标分类（ILSVRC）问题的影响，并测试了网络结构、学习参数和图像预处理等因素对分类结果的影响。结果表明，使用 128x128 像素图像即可得出优化网络结构的定性结论，这些结果比标准的 224 像素图像快一个数量级。

Jun, 2016

该论文介绍了一种称为DenseNet的神经网络架构，通过将每一层与其他每一层之间连接起来，可以解决传统卷积神经网络中权重消失和特征重用问题，在目标识别领域中表现优异。

Aug, 2016

该研究旨在探讨深度卷积神经网络中的各个特征的辨别力以及应用它们进行知识表示和推理的可能性，并通过统计学方法提供了新的见解和阈值方法来减少特征中的噪声。

Mar, 2017

本文提出了Memory Matching Networks（MM-Net）的新想法，即在卷积神经网络中加入记忆元素，并学习动态地适应无标签图像的参数，从而实现一次学习。文章探讨了不同的训练数据集的匹配方法，并得出了超越同类算法的实验结果。

Apr, 2018

该论文提出了一种新的卷积神经网络(CNN)架构，通过使用具有不同计算复杂度的多分支网络，在不同的尺度上频繁合并特征，以使用更少的计算实现多尺度特征，并在目标识别和语音识别任务上显著提高了模型效率和性能。

Jul, 2018

该研究提出 Dense Convolutional Network (DenseNet) 模型，使用每一层之前的所有特征图作为输入，解决了梯度消失的问题，促进了特征重用，并在目标识别领域的四个竞争性基准上显着提高了性能效率。

Jan, 2020