本文探讨了大卷积核在卷积神经网络（CNN）中的应用，提出了设计高效CNN的指南，并展示了其在图像识别、时间序列预测和音频识别中的优越性能。研究表明，大核卷积网络在鲁棒性和准确性上可与视觉变换器相媲美，同时通过优化架构提升计算效率。

本文探讨了大卷积核在卷积神经网络（CNN）中的应用，提出了设计高效CNN的五个指南，并展示了RepLKNet网络的优越性能。研究表明，大核设计在图像识别、时间序列预测和音频识别等任务中表现卓越，且无需特定模态定制。此外，介绍了新型CNN的训练方法，提升了图像表示的变换不变性，具有良好的扩展性和抗过拟合能力。

本文研究了大卷积核在卷积神经网络中的应用，提出了SLaK网络和FlexConv操作，显著提升了图像分类及其他任务的性能。通过稀疏机制，确保CNN能够捕捉长距离依赖关系，实验结果表明其在准确性和计算效率上优于传统模型。

该文综述多项视觉Transformer改进研究：ConvFormer以大卷积核替代自注意力实现轻量超分辨率；HiFormer融合CNN与Swin用于医学分割；iFormer用Inception混合器兼顾高低频；T-former以线性注意力做图像修复；Laplacian-Former增强高频建模用于分割；DualFormer高效处理视频时空依赖；SLaK用超大卷积核纯卷积网络媲美Transformer；D-LKA Net用变形大核注意力分割；另涉及低光增强及InstaFormer实例感知图像转换方法。

本文综述大卷积核注意力机制的研究进展：LSKA将二维卷积核分解为级联一维核以降低计算与内存开销；D-LKA Net利用变形大核注意力提升医学图像分割；LVT通过增强自注意力实现轻量Transformer；MAN结合多尺度大核与门控空间注意力改进超分辨率；SKA自适应选择卷积核大小用于说话人验证；SCA-CNN引入空间与通道注意力进行图像描述；L2-CAF实现检索网络注意力可视化；另有工作提出大核CNN架构设计指南，并介绍ViTCA与TaLK卷积。