本文提出了一种基于循环卷积神经网络的方法，能够联合学习多光谱图像的空间、谱域和时间特征，达到更好的变化检测结果。该方法具备三个独特的特性，即端到端训练，自然利用空间信息以及能够自适应地学习多时相图像之间的时间依赖性。实验结果证明了该方法在多时相遥感图像分析中的竞争性表现。

本文提出了一种基于循环卷积神经网络的方法，联合学习多光谱图像的空间、谱域和时间特征，实现更好的变化检测结果。该方法具备端到端训练、自然利用空间信息和自适应学习多时相图像之间的时间依赖性等独特特性。实验证明该方法在多时相遥感图像分析中表现竞争性。

本研究通过深度神经网络从EEG中学习稳健特征以自动检测癫痫。循环卷积神经网络通过捕获频谱、时间和空间信息学习了癫痫的空间不变表示。该方法在交叉患者分类器上的结果优于先前的结果，具有高灵敏度和低假阳性率。模型对于缺失通道和不同电极配置也表现出稳健性。

使用神经形态视觉传感器和事件相机结合循环卷积神经网络的座椅安全状态检测算法在模拟和真实测试集上分别实现了0.989和0.944的快系/解系的F1得分，并在判别系带装上/解经动作时分别获得了0.964和0.846的F1得分。