|
深度学习目前在不断的快速发展。新的技术、工具和实施正在改变机器学习领域并带来出色的成果。深度学习是机器学习和统计学习的一个子领域，在过去的几年中一直处于令人印象深刻的水平。云计算、强大的开源工具和大量的可用数据已成为这些令人印象深刻的突破的杠杆。在本文中，将会推荐20篇论文清单。 在这份论文清单中，超过75％指的是深度学习和神经网络，特别是卷积神经网络（CNN）。其中近50％涉及计算机视觉领域的模式识别应用。我相信像TensorFlow、Theano这样的工具和使用GPU的进步已经为数据科学家和机器学习工程师扩展该领域铺平了道路。 1.深度学习（2015）（被引：5,716）作者：Yann L., Yoshua B. & Geoffrey H.深度学习允许由多个处理层组成的计算模型来学习具有多个抽象级别的数据表示。这些方法极大地改进了语音识别、视觉对象识别、对象检测和诸如药物发现和基因组学等许多其他领域的最新技术。 地址：https://www.cs./~hinton/absps/NatureDeepReview.pdf 2.张量流：在异构分布式系统上的大规模机器学习（2015）（被引：2,423）作者：MartéA. A.，Ashish A. B.，Eugene B. C.，等人该系统是灵活的，可以用来表达各种各样的算法，包括深层神经网络模型的训练和推理算法，它已被用于进行研究和跨越的十几地区部署机器学习系统投入生产计算机科学等领域，包括语音识别、计算机视、机器人技术、信息检索、自然语言处理、地理信息提取和计算药物发现等。 地址：http://download./paper/whitepaper2015.pdf 3. TensorFlow:大型机器学习系统（2016）（被引频次：2,227）作者：Martin A., Paul B., Jianmin C., Zhifeng C., Andy D. et 等人TensorFlow支持各种应用程序，重点是深度神经网络的训练和推理。谷歌的几项服务在生产中使用TensorFlow，我们已经将它作为一个开源项目发布，并且它已经被广泛用于机器学习研究。 地址：https://www./legacy/system/files/conference/osdi16/osdi16-abadi.pdf%20rel= 4.深度学习神经网络（2015）（被引频次：2,196）作者：Juergen Schmidhuber这一历史调查简明扼要地总结了相关工作，其中大部分来自上一个千年。深入浅出的学习者以其信用分配路径的深度来区分，这些分支路径是行为和效果之间可能可以学习的因果关联链。我回顾深层监督学习（也概括反向传播的历史）、无监督学习、强化学习和进化计算，以及间接搜索编码深层和大型网络的短程序。 地址：https:///pdf/1404.7828.pdf 5.通过深度强化学习来达到人类的控制水平（2015年）（引用：2,086）作者：Volodymyr M.，Koray K.，David S.，Andrei A. R.，Joel V等人在这里，我们使用最近在训练深度神经网络方面的进展来开发一种称为深度Q网络的新型人工代理，可以使用端到端强化学习直接从高维感官输入中学习成功的策略。我们在经典Atari 2600游戏的挑战性领域测试了该代理。 地址：https://web./class/psych209/Readings/MnihEtAlHassibis15NatureControlDeepRL.pdf 6.更快的R-CNN：使用区域提议网络实现对象实时检测（2015）（被引频次：1,421）作者：Shaoqing R.，Kaiming H.，Ross B. G.＆Jian S.在这项工作中，我们引入了区域提议网络（RPN），该网络与检测网络共享全图像卷积特征，从而实现近乎免费的区域提议。 RPN是一个完全卷积网络，可同时预测每个位置的对象边界和对象分数。 地址：https:///pdf/1506.01497.pdf 7.用于视觉识别和描述的长期循环卷积网络 （2015）（引用：1,285）作者：Jeff D.，Lisa Anne H.，Sergio G.，Marcus R.，Subhashini V.等人与当前假设固定时空感受域或简单时间平均的顺序处理的模型相比，反复卷积模型是“双重深入”，因为它们可以在空间和时间的“层”中组合。 地址；https:///pdf/1411.4389.pdf 8. MatConvNet：用于MATLAB的卷积神经网络（2015）（被引频次：1,148）作者：Andrea Vedaldi＆Karel Lenc它将CNN的构建块公开为易于使用的MATLAB函数，提供用于计算的线性卷积的程序，包括滤波器组、特征池等等。本文档提供了有关CNN的概述以及它们在MatConvNet中的实现方式。 地址：https:///pdf/1412.4564.pdf 9.无监督表示学习与与深度卷积生成对抗性网络（2015）（被引频次：1,054）作者：Alec R.，Luke M.＆Soumith C.在这项工作中，我们希望帮助弥合CNN在监督学习与无监督学习之间的差距。我们引入了一类称为深度卷积生成对抗网络（CNG）的类，它具有一定的体系架构约束，并证明它们是非监督学习的有力候选。 地址：https:///pdf/1511.06434.pdf 10.U-Net：用于生物医学图像分割的卷积网络（2015）（引证：975）作者：Olaf R.，Philipp F.＆Thomas B.对于深度网络的成功训练，需要数千个带注释的训练样本。在本文中，我们提出了一种网络和训练策略，依靠强有力的数据增强使用可更有效地使用可用的注释示例。 地址：https:///pdf/1505.04597.pdf 11.递归神经网络的条件随机场（2015）（被引作者：760）作者：Shuai Z.，Sadeep J.，Bernardino R.，Vibhav V.等我们引入了一种新型的卷积神经网络，它结合了卷积神经网络（CNNs）和基于条件随机场（CRFs）的概率图形建模的优势。为此，我们制定了具有高斯成对电位的条件随机场作为递归神经网络的平均场近似推断。 地址：http://www.robots./~szheng/papers/CRFasRNN.pdf 12.使用深度卷积网络的图像超分辨率（2014）（被引频次：591）作者： Chao D.，Chen C.，Kaiming H.＆Xiaoou T.我们的方法直接学习低/高分辨率图像之间的端到端映射。该映射表示为深度卷积神经网络（CNN），其将低分辨率图像作为输入并输出高分辨率图像。 地址：https:///pdf/1501.00092.pdf 13.不仅仅是简短的片段:为视频分类的深层网络 (2015)(引证:533)作者： Joe Y. Ng, Matthew J. H., Sudheendra V., Oriol V., Rajat M. & George T.在这项工作中，我们提出并评估了几种深度神经网络体系结构，以在比以前尝试的更长的时间段内跨越视频组合图像信息。 地址：https:///pdf/1503.08909.pdf 14. Inception-v4, Inception-ResNet 和对于深度残差网络的分析,(引证: 520)作者： Christian S., Sergey I., Vincent V. & Alexander A A.
地址：https:///pdf/1602.07261.pdf 15.重点对象检测：一种区分性区域特征集成方法，（2013）（引用：518）作者：Huaizu J., Jingdong W., Zejian Y., Yang W., Nanning Z. & Shipeng Li.
在本文中，我们将显著性地图计算作为回归问题。我们的方法是基于多级图像分割，利用监督学习方法将区域特征向量映射为显著性分数。 地址：https:///pdf/1410.5926.pdf 16.Visual madlibs：填补空白图像生成和问答（2015年）（被引频次：510）
在本文中，我们引入了一个新的数据集，其中包含360,001个关于10,738个图像的自然语言描述。使用自动生成的空白填充模板收集此数据集，即Visual Madlibs数据集，该模板旨在收集关于以下内容的目标描述：人员和对象、它们的外观、活动和交互，以及关于一般场景或其更广泛的背景。 地址： https://www./openaccess/content_iccv_2015/papers/Yu_Visual_Madlibs_Fill_ICCV_2015_paper.pdf 17. 深度强化学习的异步方法（2016）（被引：472）作者：P. B.，Mehdi M.，Alex G.，Tim H.等人
性能最佳的方法 - actor-critic的异步变体超越了Atari域的当前最新技术，同时在单个多核CPU而不是GPU上训练一半时间。此外，异步代理可以成功处理各种连续的电机控制问题，以及使用视觉输入导航随机3D迷宫的新任务。 地址：http://proceedings./v48/mniha16.pdf 18. Theano：用于快速计算数学表达式的Python框架（2016）（被引频次：451） 作者：Rami A.，Guillaume A.，Amjad A.，Christof A.等
Theano是一个Python库，允许高效地定义、优化和评估涉及多维数组的数学表达式。自推出以来，它一直是最常用的CPU和GPU数学编译器之一，特别是在机器学习社区中，并且性能会稳步提高。 地址：https:///pdf/1605.02688.pdf 19. 混乱的环境中如何进行人脸识别？（2015）（被引频次：401）作者：Ziwei L., Ping L., Xiaogang W. & Xiaoou T. (2015) (Cited: 401)
这个框架不仅比现有技术有较大的优势，而且还揭示了有关人脸识别有价值的事实。（1）说明了不同的预训练策略如何提高人脸定位（LNet）和属性预测（ANet）的性能。（2）它揭示了虽然LNet的滤波器仅用图像级属性标签进行微调，但它们在整个图像上的响应映射具有强烈的脸部位置指示。 地址： https://www./openaccess/content_iccv_2015/papers/Liu_Deep_Learning_Face_ICCV_2015_paper.pdf 20.字符级卷积网络的文本分类（2015）（引用：401）作者：Xiang Z., Junbo Jake Z. & Yann L.
本文提供了一个关于使用字符级卷积网络（ConvNets）进行文本分类的经验性探索。我们构建了几个大规模数据集，以表明字符级卷积网络可以实现最先进或最具竞争力的结果。 地址：http://papers./paper/5782-character-level-convolutional-networks-for-text-classification.pdf |
|
|
