丁霄汉：清华大学在读博士生，主要研究方向为卷积神经网络的设计与优化。
报告题目：非对称卷积模块：零代价地提升卷积网络的精度
报告摘要：我们提出非对称卷积模块（Asymmetric Convolution Block），一种架构无关的卷积神经网络基本构件。这一模块使用一维卷积核来增强常用的二维卷积核。相比于常用的卷积层，这种结构在训练的时候可以达到更高的精度。在训练完成后，这种结构可以等效转换成普通的卷积层，所以部署的模型虽然精度更高了，但其结构和普通的网络完全相同。因此我们说，这种性能提升是“白给”的。
Spotlight：
提出的是一种通用的卷积神经网络构件，可以被用到任何架构的卷积网络中去；
非常实用和易用，只需要几行代码实现，甚至不需要调参；
不引入任何推理开销（inference-time costs），将你的性能-开销曲线垂直上移。
1. Squeeze-and-Excitation Networks
推荐理由：这篇非常著名的文章提出的Squeeze-and-Excitation Block本质上是channel-wise attention，对卷积层的输出的不同channel乘以一个不同的系数，就能显著提升性能，而开销代价不多。而且这篇文章的写作非常好。
2. Soft Conditional Computation
推荐理由：这篇文章提出的Soft Conditional Computation (SCC)用到了一个非常简单但是一直被忽视的原理：多个卷积核先各自卷积再相加，等于先把卷积核相加再卷积。只要在网络里放进数倍于原来的卷积层，并用全连接层做route function得到的系数对这些卷积层的kernel做加权相加，用得到的kernel去做卷积，就能提升性能。这样的网络虽然参数量增加了几倍，但是运算量没有增加很多。
3. Selective Kernel Networks
推荐理由：Selective Kernel Network (SKNet)为了实现（近似）的动态感受野，将3×3卷积和5×5卷积的输出结合。这里的所谓结合也非常简单，也是用全连接层做route function得到系数然后加权相加。也可以提高性能。而且如果用3×3膨胀卷积来近似5×5非膨胀卷积的话，性能损失不大，而参数量和计算量可以大大降低。
