本文介绍了一种基于稀疏位移层（SSL）的卷积神经网络构建方法，优化了网络结构，实现高准确率和速度。提出自适应多相采样（APS）方案，确保卷积神经网络的“移位一致性”。研究还探讨了通过转移学习提高训练效率，并提出新的CNN设计方法，以减少推理计算量，提升模型精度和鲁棒性。

本文介绍了自适应多相采样（APS）和可学习的多相采样（LPS），提升卷积神经网络的平移不变性和分类性能。LPS在图像分类和语义分割中表现优异，实现了100%平移一致性。此外，研究提出了抗锯齿模块和TI-POOLING算子，改善模型精度和鲁棒性，增强对空间变换的不变性，提升CNN在图像识别任务中的表现。