- AAAI广义域条件自适应网络
本文提出了一种基于多通路结构、利用领域专业特征进行自适应知识提取的域适应方法，通过添加特定领域的注意力机制探索低层次的领域特异性特征以及特定层次的知识适应块来提高适应性。
- 时间序列预测深度学习架构的实验综述
本文研究旨在回顾深度学习在时间序列预测方面的应用，并比较其性能，结果表明长短时记忆网络（LSTM）和卷积神经网络（CNN）是最佳选择，其中 LSTM 获得最准确的预测结果，而 CNN 在不同参数配置下能够实现可比较的性能和更高的效率。
- 在具有随机特征和核模型中学习不变性
该研究介绍了两种机器学习建模方法 —— 不变性随机特征和不变性核方法，其中不变性核方法包括全局平均池化的卷积神经网络的神经切比雪夫核。研究表明，建立不变性机制使得机器学习模型样本容量和隐藏层单元数量成指数降低，从而在保持测试误差不变的情况下 - ICCVAINet: 超像素分割的关联植入
本文提出了一种新的关联植入（AI）模块，用于增强深度卷积神经网络的超像素分割能力，该模块直接将网格单元的特征植入其相应中心像素的周围，并在填充窗口上进行卷积以自适应地在它们之间转移知识，通过此种植入操作，网络可以明确地获取像素 - 网格级别 - 跨摄像机卷积色彩恒常性
通过跨相机卷积颜色恒常性技术（C5），可以在训练时使用多个相机的照片成功地从新相机采集的原始图像中准确地估计场景的光照颜色，实现自动白平衡。C5 是卷积颜色常数（CCC）方法的超网络扩展，通过感知输入内容动态地调整 CCC 权重，利用未标记 - 无标记运动捕捉的 3D 人体姿态估计算法综述
本文综述了过去五年间的主要人体姿势估计方法，重点关注指标、基准和方法结构，提出了基于准确性、速度和鲁棒性的分类方法，并得出了未来研究的方向。
- 注意细节 - CNNs 可能产生盲点
探讨卷积网络中图像特征层在空间上偏倚的问题，并提出了一些解决方案，以改善模型准确性。
- CVPR高维卷积神经网络用于几何图形识别
高维卷积神经网络可用于几何模式识别中，通过对高维空间中的线性子空间、三维注册、图像对应等问题的研究表明，相比于全局池化运算符，基于高维卷积神经网络的先进方法具有更好的性能。
- 基于时间卷积关注的序列模型网络
我们提出了一种基于时间卷积网络和注意力机制的探索性架构称为 TCAN，它不仅能够实现递归网络的近似替代，还可以吸收前向模型的优势，提高了 word-level PTB、character-level PTB 和 WikiText-2 等文本 - 神经网络波函数与符号问题
本文提出了一种神经网络结构，能够有效表征量子态，应用于普通和受挫反铁磁体系，能够实现最先进的变分能量计算，从而揭示了存在与 Marshall 符号规则不符的、阻碍神经量子态基础变分蒙特卡洛访问系统真实基态的能量低态，本文对此进行了深入思考并 - CVPR侧向：视频模型深度并行训练
提出了一种名为 Sideways 的逼近反向传播方案，针对视频模型进行训练以提高效率和广义化能力，该方案在重叠网络激活时覆盖原有数据，并破坏权重更新的精确对应关系。
- CVPR稠密连接的卷积网络
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。
- 神奇的泛化度量及其发现方法
通过系统地变化常用超参数来训练超过 10,000 个卷积网络，我们提出了深度网络推广的第一个大规模研究，并研究了来自理论界和经验研究的 40 多种复杂度衡量标准，探索每种衡量标准和推广之间的因果关系，并通过仔细控制的实验展示了一些衡量标准的 - Lipschitz 约束卷积神经网络中梯度消失的预防
通过 Block Convolution 正交参数化的方法，我们可以训练具有可证明的 Lipschitz 界限的大型卷积神经网络，其表现与现有方法相当，实用性强。
- ICLR可变形卷积核：为物体变形适应有效感受野
本文提出 Deformable Kernels (DKs) 方法来解决卷积网络对于物体几何变化缺乏感知，通过直接适应有效接收域（ERF）来处理物体变形，在多个任务和标准模型上，DKs 方法比先前的方法具有更好的性能。
- MobiSR：通过异构移动处理器实现高效设备端超分辨率
本研究提出了一种名为 MobiSR 的框架，针对超分辨率任务提供了高效的本地处理解决方案，其采用了模型压缩技术和新颖的调度器，在满足图像质量要求的前提下，实现最小处理延迟，与现有实现相比，可以达到 2.13 倍至 4.79 倍的加速。
- ICCV线性解释引导下的卷积网络导览
通过研究 LinearScope 中的线性译者，许多好奇的问题得以回答，例如分类使用的一像素一票策略、CNN 使用与人类视觉系统类似的小波基、I2I 中的复制 - 移动和模板创建策略等。
- NIPS通过膨胀亲和力改进语义分割
该论文介绍了一种使用直接监督的简单、快速但有效方法来利用结构信息来提高语义分割模型的性能，该方法要求网络显式地预测语义分割以及扩张亲和力，后者是一种稀疏版本的成对像素亲和力，能够直接建立像素间的关系并增强分割质量。
- KDD单路径移动端自动机器学习：高效的卷积神经网络设计和 NAS 超参数优化
本研究提出了一种新的 differentiable NAS 公式，名为 Single-Path NAS，将所有建筑决策编码为共享卷积核参数的一个单路径超参数卷积神经网络，大大降低了搜索过程的开销，并在移动延迟限制下实现了最新的图像分类结果。 - ICLR基于无偏卷积神经网络的鲁棒且可解释的盲图像去噪
该论文研究了卷积神经网络中添加偏差项对去噪性能的影响，发现使用无偏差的神经网络可以更稳健地处理不同噪声水平下的图像去噪问题。