一、ACNet: Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks

研究问题：

增强卷积的表达能力

实现方式：

如图所示，利用了卷积的可加性，将一个普通的3*3卷积用一个3*3卷积、1*3卷积以及3*1卷积来代替，变相的增加了卷积的表达能力，在测试时，将卷积还原为原始卷积，可以使得网络性能有一定的提高。

二、RandAugment: Practical automated data augmentation with a reduced search space

研究问题：

将数据增强集成，成为可由超参数进行控制，可根据不同的任务进行修改。

实现方式：

设置两个超参数，一个控制变换应用的次数，一个控制变换的幅值。

三、GhostNet: More Features from Cheap Operations

研究问题：

CNN中随着卷积的进行，通道数越来越多，网络的性能就依赖于这些高度冗余的特征图，以往的卷积方式计算较为复杂，因此本文希望找到一种计算更为简单的替代方式。

实现方式：

首先分析基本结构，ghost模块分为两步操作，第一步先使用卷积操作，减少了通道，为的是减少运算量，第二步较为巧妙，对每个通道的特征图都进行了卷积操作，生成个，个特征图共生成，在堆叠上原来的特征图，通道数为，总共生成的通道数为，达到了跟普通卷积一样的结果，但没有使用逐点卷积，大大减少了计算量。

网络的设计借鉴了MobileNet网络，也是一种倒置残差结构，值得注意的是，文章也引入了一个宽度因子来控制通道的层数，用来减少运算量。总的来说，性能不逊色于MobileNet网络与ShuffleNet网络。