No More Strided Convolutions or Pooling:A New CNN Building Block for Low-Resolution Images and Small Objects 无卷积步长或池化:用于低分辨率图像和小物体的新 CNN 模块SPD-Conv 提出了一个名为SPD-Conv的新的CNN构建块，它完全消除了步长和池化操作，取而代之的是一个空间到深度卷积和一个无步长卷积。

Yang Gao1, Oscar Beijbom1, Ning Zhang2∗, Trevor Darrell1 †Bilinear models has be

1.CNN基础结构 2.卷积操作细节讲解 3.图像基础知识 4.池化操作 可以不可以模仿人类大脑的这个特点，构造多层的神经网络，较低层的识别初级的图像特征，若干底层特征组成更上一层特征，最终通过多个层级的组合，最终在顶层做出分类呢？ 答案是肯定的，这也是许多深度学习算法（包括CNN）的灵感来源

CVPR2022 - 重新审视池化：你的感受野不是最理想的.doc

《Mybatis 手撸专栏》第6章：数据源池化技术实现.doc

从容器化到资源池化，数栈云原生技术实践探索之路.doc

1.领域：FPGA，CNN卷积神经网络 2.内容：题目，vivado2019.2平台中通过verilog实现CNN卷积神经网络包括卷积层,最大化池化层以及ReLU激活层+操作视频 3.用处：用于CNN卷积神经网络算法编程学习 4.指向人群：本科，硕士，博士等教研使用 5.运行注意事项： 使用vivado2019.2或者更高版本测试，用软件打开FPGA工程，然后参考提供的操作录像视频跟着操作。 工程路径必须是英文，不能中文。

纯verilog实现CNN卷积网络,包括卷积层，池化层，全连接FC层,vivado2019.2开发，含testbench

OrionX AI算力资源池化解决方案 技术白皮书

人工智能-图分类-自注意力-使用基于自注意力池化机制结合GCN模型实现图分类 所需环境： 1.torch:1.4.0 2.torch_scatter:2.0.3 3.scipy:1.4.1 数据集 1.DD:https://ls11-www.cs.tu-dortmund.de/people/morris/graphkerneldatasets/DD.zip 2.COX2:https://ls11-www.cs.tu-dortmund.de/people/morris/graphkerneldatasets/COX2.zip 3.BZR:https://ls11-www.cs.tu-dortmund.de/people/morris/graphkerneldatasets/BZR.zip 运行方式