在论文《《T-Net: Parametrizing Fully Convolutional Nets with a Single High-Order Tensor》》中，作者提出以单个高阶、低秩张量来完全参数表示卷积神经网络（CNN）。以前的网络张量化研究仅集中于参数表示单层（卷积或全连接的）网络，并且逐层单独执行张量化。与之相反，作者提出以单个高阶张量来参数表示神经网络，从而共同获取该神经网络的完整结构，而张量模式表示网络的每一个架构设计参数（如卷积块数量、深度、堆栈数量和输入特征等）。这种参数化可以调整整个网络，大幅减少参数数量。该论文提出的模型是施加给权重张量的端到端可训练和低秩结构，充当隐式正则化。作者证明其方法可以通过低压缩率实现优越性能，并且对于具有挑战性的人体姿势估计任务，这种方法可以通过微小的准确度下降来实现高压缩率。