本研究提出了一种基于深度学习的诊断方法，针对光化性角化病和银屑病的早期诊断，采用修改后的VGG16模型，准确率达到90.67%。

本研究提出了一种新型面部识别技术，针对佩戴口罩和不佩戴口罩的面孔识别问题。通过引入基于余弦相似度的Masked-Unmasked Face Matching Model (MUFM)，结合VGG16模型和K-最近邻算法，显著提高了识别准确性，具有重要应用价值。

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%。

本研究探讨了卷积神经网络是否能模仿人类的完形闭合能力。研究发现VGG16和DenseNet-121模型展现了闭合效应，提升了对神经网络理解的透明度与比较性。

本研究提出了一种基于轻量深度学习的肺部疾病检测和定位方法，通过使用预训练的VGG-16权重实现高准确率的肺区域分割和感染区域定位，具有实时和资源有限环境下的应用潜力。

本文介绍了一种基于张量网络的压缩算法，显著降低了神经网络的参数量，并提高了压缩效果和泛化性能。实验结果表明，该算法能够将VGG-16模型的卷积层压缩至632个参数，同时提升CIFAR-10数据集的测试准确率，有效挖掘了神经网络的可压缩性。

本文探讨了利用人工智能和深度学习技术对肿瘤性皮肤病变进行分类和诊断的方法。研究表明，结合卷积神经网络和迁移学习的系统能够有效识别恶性和良性病变，提升诊断准确度，并可在计算能力较弱的设备上运行。