- 自动驾驶中高效有效的三维目标检测的跨聚类转移
我们提出了一种新的基于 3D 点的检测器模型，名为 Shift-SSD，用于自动驾驶中的精确 3D 物体检测。
- MSTAR: 用于时间序列分类的多尺度骨干架构搜索
通过提出一个新的多尺度搜索空间和神经架构搜索（NAS）框架，解决了时间序列分类中接收域、频率和时间分辨率的问题，并展示了该模型在四个不同领域的四个数据集上达到了最先进的性能，同时为每个数据集引入了十多个高度微调的模型。
- FMRT：学习准确特征匹配的调和变换器
本研究提出了一种名为 Feature Matching with Reconciliatory Transformer（FMRT）的新型 Transformer-based 检测器自由方法，它能够自适应地调解不同特征和多个感受野，并利用并行 - 利用傅里叶领域中的神经隐式函数学习无限大滤波器
通过学习频率表示的神经隐式函数，我们在大型图像分类基准测试中实现了与最先进技术相媲美的结果，并在频率域中执行卷积，从而可以对学习到的感受野进行深入分析。
- CVPRRF-Next：卷积神经网络高效感受野搜索
本研究提出了一种全局到本地的搜索方案，探索更好的感受野组合以提高任务性能，通过将感受野搜索插入不同的模型中，如对象检测、实例分割等，提高了模型性能，源代码公开可用。
- CVPR回头看和向前看：明确时间差建模的视频超分辨率
本文提出一种基于时间差建模的视频超分辨率方法，通过不同的接受野分别处理两个像素子集以提取互补信息，并计算高频域中连续帧的差异来利用中间结果进一步增强 SR 结果
- 可学习间距的扩张卷积
该研究提出了一种新型的 “可学习空隙扩张卷积”（DCLS）方法来增加卷积神经网络（CNN）的感受野大小，从而提高图像分类的准确性，而且不会增加可训练参数的数量。该方法可以通过在卷积核中只添加一些非零元素，然后通过反向传播技术学习它们的间距来 - ConTNet：为什么不同时使用卷积和 Transformer？
本论文提出基于 Transformer 和 ConvNet 结构的 ConTNet 模型，相较于传统的 ConvNet 模型，可以更好地捕捉全局信息，从而部署在图像分类和物体检测等任务中，具有明显的优异性。
- 动态特征金字塔网络用于物体检测
本文通过扩大特征金字塔网络（FPN）的感受野来增强空间信息，从而提高目标检测精度，提出了一种新的动态 FPN（DyFPN）方法，它可以通过适应性选择分支进行动态计算，以在维持高性能的情况下更有效地利用计算资源。实验证明，与基准模型相比，采用 - KDD迈向更深的图神经网络
本研究对图神经网络进行深入探究，提出了解决深度学习中过度平滑问题的新方法，并通过实验证明了其在引文、合著和共同购买等领域的卓越表现。
- 用于图像分割的膨胀卷积平滑优化
通过引入额外的平均层，我们提出了一种可以显著提高图像分割的扩张卷积效能的解决方法，其采用的低成本平滑方法具有比以前方法更高的计算效率。
- ICCV适应尺度的三叉戟网络在目标检测中的应用
本次研究旨在解决目标检测中的比例变化问题，提出了 Trident Network，利用控制实验研究感受野对于比例变化的影响，构建并训练出一个多分支并行架构，每个枝干共享相同的转换参数但具有不同的感受野，通过采样适当比例的对象实例进行专业化训 - DUNet：用于视网膜血管分割的可变形网络
提出 Deformable U-Net（DUNet）进行视网膜血管分割，其中将可变卷积与提出的网络结合，通过自适应地调整感受野来捕获不同形状和规模的眼底血管，实现疾病诊断。实验结果表明，DUNet 在 DRIVE、STARE 和 CHASE - 卷积神经网络中是否需要跨度调整
该论文提供了关于现代卷积神经网络中步幅操作作用的新颖且数学严格的视角，并通过该等价性表征了步幅作为通道之间参数共享的另一种机制，从而降低了训练复杂度。
- ECCV准确快速物体检测的感受野块网络
本文提出了一种使用手工机制来强化轻量级特征的快速准确检测器，通过在轻量模型特征增强方面受视觉系统中感受野结构的启发，提出了一种新的 RF Block 模块来增强特征的可区分性和鲁棒性，并在 SSD 顶部组装 RFB，构建了 RFB 网络检测 - 基于比例自适应卷积神经网络的人群计数
该论文提出了一种使用相同的输出大小将多个 Receptive Field 层自适应地结合在一起，形成密度地图来进行行人计数的模型，在人群场景中表现优异。
- 利用深度学习揭示初级视皮层图像的神经编码
该论文使用深度卷积神经网络预测 V1 神经元对自然图像的响应，发现有 15% 的神经元可以准确预测，并使用逆神经网络确定激发 V1 神经元的图像特征（接受野），其中包括预测高级纹理图像特征的神经元。
- MM卷积神经网络神经元的感受野、有效感受野和投影野是什么？
本文详细介绍了如何计算卷积神经网络（CNN）的不同层级的神经元的感受野、有效感受野和投影野。这些重要概念不仅有助于更好地理解和分析卷积和反卷积网络，还有助于优化它们在实际应用中的性能。
- 深度卷积神经网络中有效感受野的理解
研究了深度卷积网络单元感受野的特性，提出了有效感受野的概念，并分析了它在几种架构设计中的作用，以及非线性激活、dropout、下采样和跳跃连接对其产生的影响。结果表明，这些因素对有效感受野的大小具有影响，并提出了一些解决途径。
- 边缘分类：边界检测改善语义图像分割
通过结合语义分割和语义感知边缘检测，将类边界显式地融入模型，有效地解决了深网络在学习上下文信息时对高频细节的模糊化问题，从而显著地提高了基于卷积神经网络的语义分割准确度，该方法也在 ISPRS Vaihingen 基准测试中取得了超过 90