本研究提出了一种基于条件互信息的结构化滤波器修剪方法，旨在解决深度卷积神经网络在资源有限硬件上的部署问题。该方法有效减少模型大小，且准确率几乎不变。在CIFAR-10数据集上，VGG16的滤波器数量减少超过三分之一，准确率仅下降0.32%。

本研究提出了一种灵活的算法，用于重建自然树木的分支结构，模拟不同形状的毕达哥拉斯树。通过深度卷积神经网络进行树木分类，发现这些分形树的参数支持达芬奇的分支规则和黄金比例，为树种检测器的训练提供了有效的样本生成方法。

本文介绍了一种基于深度卷积神经网络的乳腺癌筛查分类方法，经过200,000次训练，预测准确率达到AUC 0.895。研究还提出了Mammo-CLIP和Mammo-FActOR等新技术，以提高乳腺癌检测的效率和准确性，减轻医生负担，促进早期发现。

本文研究了深度卷积神经网络在视觉处理中的应用，发现不同的神经约束导致不同的表征模式。提出了Neuroscore测评策略和Mouse neural system identification基准，利用自监督方法学习图像特征，并探讨了脑结构与功能的关系，提出了视觉决策模型，展示了其在决策任务中的优越性能。

该论文探讨了深度卷积神经网络在医学成像中的应用，评估了不同网络结构和数据集规模对性能的影响。研究表明，迁移学习能有效提升医学图像分类和器官分割的准确性，未来将关注技术挑战和网络结构优化。

本文研究了深度卷积神经网络在物体识别中的表现，发现浅层网络在小视角变化时优于深层网络，而在大视角变化时，深层网络表现更佳。人类视觉系统在图像处理上更具鲁棒性，并与深度神经网络的误差模式存在显著差异。研究提出结合人类视觉显著性与主动学习的方法，以提高模型的可解释性和泛化能力。

本文介绍了基于深度卷积神经网络的脑-计算机接口通信模型EEGNet，解决了EEG信号分类问题。通过自监督学习，提出了EEGFormer和EEG2Rep模型，展示了在低数据情况下的优越性能，并呼吁为EEG信号解码设计专门模型和基准。

本文介绍了一种基于深度卷积神经网络的停车位检测算法，经过实验证明其在停车管理系统中的有效性和鲁棒性。研究提出了SHARE和HPS-Net等创新模型，提升了停车位预测和分类的准确性，显示出实际应用潜力。

本研究探讨了深度卷积神经网络在音频分类中的应用，比较了多种谱特征和节奏特征。结果表明，mel尺度谱图和梅尔频率倒谱系数（MFCCs）在音频分类中表现最佳，验证了深度卷积神经网络在音频领域的有效性。

本文探讨了稀疏神经连接在深度卷积神经网络中的应用，特别是在提升人脸识别性能方面。研究表明，适度的稀疏结构通过迭代学习和新的权重选择准则显著提高了识别效果。此外，提出的稀疏正则化方法和新算法在多种任务中表现优异，推动了深度学习领域的稀疏性研究。

本文介绍了一种基于分层结构的深度卷积神经网络(HD-CNNs)，通过粗细分类器提高分类效果，并在CIFAR100和ImageNet上取得优异成绩。此外，提出了自适应分层网络、多标签分类模型及长文本分类方法，显著提升了分类性能和效率。

该论文提出了一种动态层级注意力（DLA）架构，用于增强深度卷积神经网络中层间交互。DLA通过递归神经网络块提取上下文特征，并动态刷新特征来更新层间信息。实验结果表明，DLA在图像识别和目标检测任务中优于其他方法。

该论文探讨了深度卷积神经网络在医学成像中的应用，特别是在计算机辅助检测方面。研究评估了不同网络结构和数据集规模对性能的影响，提出了3D全卷积神经网络和图卷积网络等多种模型，展示了它们在脑结构分割和疾病预测中的有效性。实验结果表明，这些方法在准确性和效率上优于传统模型，具有广泛的应用潜力。

该论文探讨了深度卷积神经网络在医学成像中的应用，特别是乳腺癌检测。研究评估了不同CNN结构在小数据集下的表现，发现ResNet50和ViT模型在准确性和效率上优于其他模型。提出的BCDNet模型在检测侵袭性导管癌时准确率高达89.5%。此外，新型集成模型在血癌检测中的准确率达到99.12%。

本研究提出了一种基于Occupancy Size的OccuSeg方法，利用深度卷积神经网络在2D图像和3D空间中定位语义部件并推断可见性状态，从而增强3D实例分割性能。此外，开发了一个自动化机器人三维重建系统，并展示了其在真实条件下的稳定性。研究还提出了一个新框架，通过延时摄影图像生成动态物体遮挡数据集，显著提升了2D和3D重建效果。

本文介绍了一种基于深度卷积神经网络和条件随机场的视频面部表情识别方法，结合空间信息和时间关系，取得了优异的实验结果。同时，研究了LOGO-Former、MAE-DFER和DFER-CLIP等新型模型，在动态面部表情识别中表现出色，推动了该领域的发展。

本文介绍了一种新型通道剪枝方法，能够加速深度卷积神经网络。通过LASSO回归和最小二乘重构，剪枝后的VGG-16实现了5倍的速度提升，误差仅增加0.3%。该方法同样适用于ResNet和Xception，分别实现2倍加速，准确度损失仅为1.4%和1.0%。

本研究利用深度卷积神经网络和大量植物叶片图像数据，提出了新模型GSMo-CNN，旨在实现植物疾病的早期检测与分类。该模型显示出优越的分类性能，并通过引入多模态数据集提高识别准确性，为农业提供了有效的植物疾病管理工具。

本文介绍了一种将深度卷积神经网络（CNNs）转化为深度脉冲神经网络（SNNs）的方法，适用于多种CNN操作。实验结果表明，该方法在MNIST和CIFAR10数据集上表现优异。此外，研究提出了基于Transformer的Spikingformer，显著降低能耗并提高图像分类准确率，首次在ImageNet上实现超过80%的准确性。

本文介绍了一种基于深度卷积神经网络的无线干扰识别方法，分类准确率超过95%。研究聚焦于5G通信中的深度学习应用，优化了干扰源识别和自动调制分类技术，提出了高效的卷积神经网络结构，证明了其在检测干扰攻击和提升分类性能方面的有效性。