本文提出了一种基于直方图的神经网络局部分布特征提取方法，可有效提高材质纹理分析的性能。

Jan, 2020

本文介绍了一种基于深度学习的图像识别方法，利用所提出的 “纵向最大平均池化层”（LENA）来预测和定位网络传播的图像或视频，并在两个公共数据库上的实验中取得了优越的表现。

Mar, 2017

本文研究了全局平均池化技术在卷积神经网络中应用的原理，发现其可以使网络更好地实现局部特征定位，从而建立了一种通用的可局部化的深层表示方法，并通过实验证明其在物体定位等各种任务上的有效性。

Dec, 2015

本文提出了一种基于本地重要性建模的简单，通用且有效的池化层 LIP，它能够学习自适应重要性权重，从而提高下采样过程中的判别特征，在 ImageNet 分类和 MS COCO 数据集的目标检测中都取得了很好的性能。

Aug, 2019

该论文提出了一种无需使用空间信息的新型池化方法，可以学习图像序列的特征软聚类，从而改进特征的时间相干性，且在图像分类任务上表现优异。

Jan, 2013

本文介绍了一种基于最近图像降采样研究的深度学习方法，叫做细节保留池化 (DPP)，它可以放大空间变化并保留重要的结构细节，其参数可以与网络的其余部分一起学习，在几个数据集和网络上的实验证明 DPP 方法在性能上优于常规池化方法。

Apr, 2018

本文提出在卷积神经网络 (CNN) 中，通过 Laplacian 金字塔多分辨率重构和高分辨率特征地图的跳跃连接和乘法门来逐步优化从低分辨率地图中重构的区段边界，从而实现对需要密集像素标记的任务的高效语义分割。在 PASCAL VOC 和 Cityscapes 分割基准上实验，该方法能够实现最先进的语义分割结果。

May, 2016

本文提出了一种针对整个图像计算基于补丁的局部特征描述符的有效方法，适用于几乎所有现有的网络架构和局部特征提取任务，包括摄像机标定、Patchmatching、光流估计和立体匹配等任务，并对任意 CNN 架构进行了速度基准测试和示例代码的展示。

May, 2018

本文提出了一个新颖的空间输出层，用于在现有的卷积特征图顶部显式地利用位置特异的输出信息。通过在空间逻辑中采用注意力蒙版，选择性地聚合目标区域内的空间逻辑，不仅提高了性能，还实现了空间可解释输出。在各种分类任务中的实验结果表明，提出的空间输出层在几乎相同的计算成本下实现了稳定的性能改进。

Apr, 2020

本研究提出了一种新型的卷积神经网络，即小波卷积神经网络，将频域分析与卷积神经网络相结合，并在纹理分类中实验表明该模型比传统卷积神经网络的表现更好，且参数数量更少，易于训练。

Jul, 2017