卷积神经网络新思路

今天听kk讲课，听到了一种新的处理卷积神经网络的思路。
传统的cnn是将数据还原成二维的图像，再利用卷积核去卷积，kk今天提了一种叫做 可控受限野神经网络层结构的 理论。
首先提一个问题，如何在将图像降维成一维时依然保留图像的各个部分之间的空间关系，也就是保留图像的区域相关性。可能说的有些抽象，举个例子。
给一张图，如果取其中的两个点，然后我们有没有办法在图片变成一维的时候还能保留这两个点的距离关系。
其中有一种使用分形的方法（不懂），原则上可以将二维的图片通过分形得到一维，同时一维模型中的点距离关系也接近原本图片，具体如何实现可以看希尔伯特曲线，通过希尔伯特曲线映射，可以得到一维度数据，然后选取特别的权重分布的权重weights矩阵，就可以做出同时具备局部受限事业和全连接的网络层，如果局部关系强就将相关位置的权重调高，就可以通过普通矩阵的方式进行卷积神经网络