Hyperspherical Convolutional 超球面卷积随着CNN网络的加深，参数增多，网络会变得越来越难训练（过拟合，梯度消失/梯度爆炸），对于参数的初始化也会变的更加敏感。为了优化这个问题，作者采用了一种新奇的方法即超球面卷积（SphereConv） 代替原来的内积计算。这种网络结构(SphereNet)会更容易优化，收敛更快，同时在一些分类任务上也表现的比普通的卷积网络更好。
实验：
优点：1.通道数增加，效果会更好。2.可以不用 激活函数 Relu ,其计算本身就是非线性。3.收敛稳定快速， 正交的w对结果也有提升效果。
局限性：1.网络要宽一些，即通道数多些效果好些，否者表现可能比以前差。2.计算量变多。3.训练有很多前提条件。
