作者提出一種靈活的卷積單元，形狀在訓練中學習得到，這種結構使得網路具有更強的表達能力。

這篇論文提出了一種新的卷積單元，主動卷積單元ACU（Active Convolution Unit）,在次之前，從AlexNet到如今的ResNet，GoogleNet等各種網路架構的提出，人們研究的基本上都是網路的結構，而很少有人關注卷積單元本身，作者提出的ACU具有靈活的特性，卷積單元的形狀不是固定的，而是在訓練中（反向傳播）學習得到。由於形狀不固定，ACU具有以下的優點：

       1）ACU是一般化的卷積; 它不僅可以定義所有傳統的卷積，還可以定義具有區域性畫素座標的卷積。我們可以自由地改變卷積的形狀，從而提供更大的自由形成CNN結構。

       2）卷積的形狀是在訓練時學習的，沒有必要手動調整。

       3）ACU可以比傳統的卷積單元更好地學習，可以通過將傳統卷積改為ACU來獲得改進。

          由於ACU的形狀不固定，因而沒有必要是3*3或5*5這種，如上左圖可以將ACU與上一層的神經元的連線點（成為突觸）有6個，突觸的數目可以隨意指定，位置是學習得到的，因而突觸需要兩個位置引數（豎直方向的偏移量和水平方向的偏移量）去確定它的位置，而且這種位置很可能是小數，也就是突觸連在兩個在神經元之間（上右圖）。這時候突觸位置的value是利用與其最近的四個畫素點的雙線性插值得到。

         突觸的位置引數是在反向傳播的過程中不斷學習，另外的權重和偏置和傳統卷積單元的學習方式相同。位置引數的學習受權重影響。在位置引數的學習率方面，由於開始的權重一般是隨機設定的，因而作者提出最開始1000次迭代，不學習位置引數，之後才開始學習，並且由於突觸位置的移動幅度很關鍵，反向傳播誤差會在層間波動導致學習效果不好，作者提出使用歸一化梯度，只使用梯度的方向不使用大小，來控制移動幅度。

         作者在普通的網路和ResNet，AlexNet上，以及不同的資料集上做了對比實驗，結果實驗效果在同等條件下要好（零點幾個百分點）。這說明，更加靈活和自由的卷積單元，網路的表達能力更強。