提出了基因二元卷积神经网络（Genetic Binary Convolutional Networks，GBCN），并利用一种新的平衡遗传算法（balanced Genetic Algorithm，BGA）解决了 1 位深度卷积神经网络（DCNNs）中存在的局部极小值问题，该方法在目标分类任务（CIFAR，ImageNet）上得到了验证，表现出强大的泛化性能。

Nov, 2019

本文提出一种名为修正二值卷积网络（RBCNs）的优化二值卷积神经网络的方法，通过结合全精度卷积核和特征图在统一框架内实现二值化过程的校正，并使用生成对抗网络（GAN）以其相应的全精度模型为指导来训练 1 位二进制网络，从而显著提高了 BCNN 的性能。该方法的可塑性强，并可轻松纳入现有的 DCNN 中，如 WideResNets 和 ResNets。大量实验表明，所提出的 RBCNs 比最先进的 BCNNs 具有优越的性能，并在物体跟踪任务中显示了强大的泛化能力。

Aug, 2019

本文介绍了一种二进制图卷积神经网络（Bi-GCN），它将网络参数和输入节点特征进行二元化，并将原始矩阵乘法改为二进制运算以加速计算，并使用一种新的梯度逼近反向传播方法来训练我们的 Bi-GCN。实验表明，与全精度基线相比，Bi-GCN 在节省内存资源方面平均可以减少约 30 倍，并平均加速推理速度约 47 倍，并且该二进制方法还可以轻松应用于其他 GNNs。

Oct, 2020

本文提出了 PokeConv，一个对二值神经网络 (BNNs) 卷积进行膨胀的方案，并对 ResNet-50 进行优化，进一步提高了准确性和网络的成本。通过定义算数计算代价 (ACE) 这样一个硬件和能源的成本度量标准，实现了准确性和成本的联合优化。此外，我们还发现了优化二进制跃迁的梯度近似的超参数的必要性。最终我们在 CPU64 成本、ACE 成本和网络大小这些公共度量标准下都取得了新的最佳成果，而且我们提出的 PokeBNN 型网络成本低、准确率高。

Nov, 2021

本文介绍一种名称为 RepConv 的可替换并易于使用的卷积模块，通过在通道维度上复制输入或输出以增强特征图，以提高二进制神经网络（BNN）的性能和准确性，并使用 RepTran 规则在整个 BNN 模块中应用 RepConv 使得 BNN 在 CIFAR-10 和 ImageNet 数据集上均有显著的性能提升

Jul, 2022

提出了 ReBNet 框架，用于训练可重构的二进制神经网络并在 FPGA 上执行，通过多级二值化提高分类准确性同时满足资源有限的设备要求。

Nov, 2017

本文引入了一种新颖的方案来训练二值卷积神经网络，使用多个二元权重基的线性组合逼近完全精度权重，并采用多个二元激活来减轻信息丢失的问题，最终实现了一个二值卷积神经网络（ABC-Net），能够在适当的二元权重和激活函数基础上，取得与全精度神经网络相当的预测准确性。

Nov, 2017

本文提出了一种改进二进制网络的方法，包括通过 RSign 和 RPReLU 实现激活分布变化的显式学习，以及采用分布损失进一步加强二进制网络的训练，通过这些方法，在不增加计算成本的情况下，将二进制网络精度提高到了比现有二进制网络更高的水平，并将其与实值网络的精度差距降至 3.0％以内。

Mar, 2020

本文中，我们提出了可用于学习视觉模型的有效二进制神经模块。我们将二进制多层感知器（MLP）块作为二进制卷积块的替代方案，通过模型化短程和长程特征依赖关系来解决二进制模型上下文依赖关系的问题。我们构建了显式上下文依赖建模的 BNNs，称为 BCDNet，在标准的 ImageNet 分类基准测试中，BCDNet 实现了 72.3％的 Top-1 准确率，并以类似的操作超越了领先的二进制方法。

Sep, 2022

本文提出了一种融合了 AdaBoost 的新型 RNN-like 深度图形神经网络体系结构，该网络能够高效地从当前节点的高阶邻居中提取知识，并以 Adaboost 的方式将不同跳数邻居的知识集成到网络中。通过它与现有图卷积方法的理论联系，我们的 AdaGCN 能够在不同标签率下展现出一致的最先进的预测性能，而且计算效率有所提升。

Aug, 2019