|
众所周知，人工智能研究的进步正在影响技术革新。 人工智能研究团队正在解决一些顶尖的技术问题，如软件和硬件的设施，理论以及算法。有趣的是，人工智能领域的研究也吸引了很多非技术领域的同仁。  举个恰当的例子——演过大量电影的好莱坞演员克里斯汀·斯图尔特大力宣传的人工智能论文，最早发表在康奈尔大学运营的在线研究数据库。斯图尔特与美国诗人以及文学评论DavidShapiro以及Adobe公司研发工程师BhautikJoshi.共同写了这篇论文： “a computational approach to edge detection 边缘检测的计算方法” 重点是，这篇有关人工智能的论文讲述的是，运用到她短篇电影“Come Swim”里的风格转移技术。然而斯图尔特的反对者反驳这篇被认为是“高级案例”。同时，学术界充斥着关于人工智能开创性研究论文的不同意见。 印度杂志的分析者列出人工智能相关论文被引用最多的，能够在技术或者应用给出一定视角的科学论文，如机器智能，和计算机视觉。大多数的这些论文被选取基于每一条的引用价值。其中的部分文章考虑了具有高度有影响的引用数量(HIC)和引用速度(CV)。引用速度是过去三年每年引用数量的加权平均数。 关于边缘检测的计算方法，早在1986年John Canny写作了这篇论文并发表，被引用9724次。这个方法的成功被定义为一组广泛的计算边缘点的目标集合。这些目标必须足够精确区分探测器的期待行为当做出关于解决方案形式的最小假设。 除此之外，这篇论文也展示了一个通用的方法为了从细致到粗糙整合来自不同数量级的操作符信息，被称为特征合成。这个方法帮助树立边缘探测器的表现极大地进步因为符点扩散功能被延长到边缘这一事实。
这个研究论文是John McCarthy, Marvin L. Minsky, Nathaniel Rochester, ClaudeE.Shannon合写并且发表于1955年。这个夏季研究提案是第一篇使用“人工智能”术语的论文。这个提案邀请了研究者到达特茅斯会议，被广泛认为“人工智能的诞生”。
这篇论文是Nobuyuki Otsu撰写并发表在1979年。迄今为止，被引用7849次。通过本文，Otsu讨论了图片分割自动阈值选择的无参数和非监督式方法。 这篇论文深入探究了如何通过不同的标准选择最优化阈值，从而最大化灰度结果分类的分割性。这个过程只利用灰色直方图第0或者1阶积累矩。这个方法可以轻易地被应用到多阈值问题。本文通过展示几个实验结果验证该方法。
通过减少内部协变量转变加速深层网络训练：这篇2015年的文章是Sergey loffe和Christian Szegedy合写的。这篇论文被应用946次并且HIC分数为56分。 本文讨论训练深层神经网络会被复杂化，是由于训练时每一层输入的分布会随前面每一层参数的变化而变化。这个现象被定义为“内部协变量的转变”。这个问题被归一化层输入解决。 当应用于先进的图像分类模型批量归一化只需要14次甚至更少训练步骤就可以达到相同的精确度。换句话说，批量归一化比原始模型有明显的优势。
何凯明，张翔宇，任少卿合著。本文被引用1436次，高度影响力引用次数137，引用速度为582.作者深入讨论了残留学习框架简化比之前使用的要更深层的深层神经网络训练。 另外，研究论文明确地用层作为学习剩余功能参照层输入，而不是学习无参考函数。 这篇论文也深入研究全面的经验证据是如何表明这些残余网络更容易优化，大幅提高深度准确性。
这个文章是David G. Lowe写于2004年。这篇文章收到21528次引用。它探索了从图像提取不同的不变的特征的方法。这些可以被应用到展示在不同视角之间一个目标或者场景的可靠匹配。图像大小和旋转，这些特征是不变的，这些特征展示出在很大范围内的仿射畸变， 3D观点改变，添加噪音以及光照的改变提供强大的匹配。 另外，本论文还深入研究了图像识别中利用这种特征的方法。这种方法帮助在混乱和闭塞中确定目标当实现实时展示。
这篇论文由Nitish Srivastava, Geoffrey Hinton, AlexKrizhevsky, Ilya Sutskever,and Ruslan Salakhutdinov合著于2014年。这篇论文被应用2084次，HIC分数为142，引用速度为536。具有大量参数的深层神经网络是很强大机器学习系统。然而，过度拟合是这样的网络中非常严重的问题。这篇文章的核心是从训练神经网络中丢弃一些单元以及它们的链接，从而阻碍过多单元共同进化。这显著地帮助减少过度拟合，提供关于其他正则化方法的主要改进。
▍决策树介绍 作者是J.R.Quinlan，这篇科学论文起初发表在1986年并且总结了被用于多样的系统的合成决策树的方法。这篇论文具体描述了这样一个系统，ID3。另外，这篇论文讨论了基础算法的已报告的缺点以及克服缺点的两种方法的比较。总结这篇论文，作者用图解展示了当前研究的方向。
▍卷积神经网络在大规模视频分类中的应用 这篇2014年的文章由6位作者，Andrej Karpathy, George Toderici, Sanketh Shetty, Thomas Leung, RahulSukthankar, 和李飞飞合著。这篇论文被引用865次，反映在HIC分数为24，引用速度为239。
卷积神经网络被证明为一个强大的有关图像识别问题的分类模型。这些结果鼓励作者提供一个关于大范围视频分类卷积网络的广泛的经验性估计。这是通过使用新的数据集，100万youtube视频分为487类，完成的。
▍智能系统的概率推理：合理的推理网络 这篇论文发表于1988年。Judea Pearl是这篇文章的作者。这篇论文展示了一个完整的并且可获得的理论基础以及计算方法,在不确定性下为合理的推理打下基础。 Pearl提供一个连贯的概率说明作为有部分信仰的推理的语言以及提供一个在其他人工智能接近不确定性的统一的视角，例如Dempster-Shafer形式主义，事实维护系统以及非单调逻辑。
 |
|
|
