知乎转引的此文介绍了来自北京航空航天大学刘祥龙副教授研究团队的最新综述文章 **Binary Neural Networks: A Survey**，合作者包括中国电子科技大学的宋井宽教授和意大利特伦托大学计算机系主任 Nicu Sebe 教授。在阅读基础上，做了.md的笔记。
摘要如下：
神经网络二值化能够**最大程度地降低模型的存储占用和模型的计算量**，将神经网络中**原本 32 位浮点数参数量化至 1 位定点数**，**降低了模型部署的存储资源消耗，同时极大加速了神经网络的推断过程*
为了能够实现动态无灰度特征峰值的图像分割，提出一种基于决策树的神经网络(Decision Tree Based Neural Network，DTBNN)双阈值图像分割方法。该方法首先运用决策树与神经网络的对应关系，构建出稳定、训练高效的神经网络；然后通过实验采集的图像提取图像灰度均值，最大灰度偏差与阈值映射函数作为样本数据训练神经网络；最后采用训练好的神经网络对被测图像进行阈值映射函数筛选，并计算出被测图像的上下灰度阈值，完成对图像的双阈值分割。仿真实验表明，该方法不依赖于灰度直方图的峰值特征
