卷积（Convolutional）是深度学习中的核心运算之一，通过滑动卷积核在数据（尤其是图像、图结构）上提取局部特征，是卷积神经网络（CNN）的数学基础。尽管近年被 Transformer 架构部分取代了在视觉领域的中心地位，卷积方法依然在计算资源受限、标注不完整和特定科学应用场景中保持活跃。
卷积方法的近期进展
当前焦点与观察点
从近期文献看，Convolutional 研究呈现三条清晰主线。其一是与注意力机制的融合：无论是图卷积结合谱注意力，还是卷积记忆用于长上下文推理，卷积的局部归纳偏置正被当作补充而非替代方案。其二是边缘与资源受限场景：MemFLoRA 等工作表明，CNN 的低开销推理和适配仍是部署侧的刚需，这在大模型推理成本高企的背景下具有现实意义。
其三是垂直行业的持续应用：医学影像中的黑色素瘤检测（Comparative Evaluation of Pre-trained Convolutional Neural Networks for Melanoma Detection）、农业病害识别、动物齿列分割（Segmentation of Bovid Dentition Under Imperfect Annotations）、野火蔓延预测（Interpretable Patch-Based Deep Learning for Wildfire Spread Prediction）以及锂电池健康状态估计（State of Health Estimation using Convolutional and Bidirectional LSTM Neural Networks）均有新研究发布。值得注意的是，多篇工作对比了卷积与注意力模型在标注不完美条件下的表现，说明在数据质量受限的真实场景中，卷积模型依然是可靠且性价比高的选择。