在论文《HetConv: Heterogeneous Kernel-Based Convolutions for Deep CNNs》中，研究人员提出一种卷积运算利用异构核的新型深度学习架构。相较于标准卷积运算，研究人员提出的HetConv（基于异构核的卷积）减少了运算量（FLOPs）和参数数量，同时又能保持表征效率。为了证明所提出卷积的有效性，研究人员给出了大量有关VGG [30]和ResNet [8]等标准卷积神经网络（CNN）架构的实验结果。研究人员发现，在这些架构中将标准卷积过滤器替换成所提出的HetConv过滤器时，FLOPs速度提升了3至8倍，同时又能保持准确性（有时能够提高准确性）。研究人员还将所提出的卷积与分组卷积/深度卷积进行比较，结果显示，前者的FLOPs大幅度降低，同时准确性显著提高。