热门论文Top 30：那些被国外专家引用最多的计算机视觉和深度学习论文【可下载】-低调大师

热门论文Top 30：那些被国外专家引用最多的计算机视觉和深度学习论文【可下载】

2016-06-21 657

在2012年，我整理了一份有关计算机视觉的热门论文清单。我把论文的研究重点放在视觉科学上，避免其与图形处理、调研和纯静态处理等方向产生重叠。但在2012年后随着深度学习技术的兴起，计算机视觉科学发生了巨大的变化--从深度学习中产生了大量的视觉科学基线。虽然不知道该趋势还会持续多久，但我认为它们应该拥有属于自己的清单。

一如我一直强调的，被引用得最多的论文并不代表它在该领域做出的贡献就最大；而是代表了它抓住了当时的某个热点。

以下就是我重新整理的有关计算机视觉与(或)深度学习的Top30论文清单：

1.引用次数：5518
标题：深度卷积神经网络分类(Imagenet classification with deep convolutional neural networks)
A Krizhevsky, I Sutskever, GE Hinton, 2012
论文链接地址

2.引用次数：1868
标题：咖啡：快速卷积结构特征嵌入(Caffe: Convolutional architecture for fast feature embedding)
Y Jia, E Shelhamer, J Donahue, S Karayev…, 2014
论文链接地址

3.引用次数：1681
标题：反向传播算法在手写体邮政编码识别中的应用(Backpropagation applied to handwritten zip code recognition)
Y LeCun, B Boser, JS Denker, D Henderson…, 1989
论文链接地址

4.引用次数：1516
标题：实现精确对象和语义段检测的富特征层次结构(Rich feature hierarchies for accurate object detection and semantic segment)
R Girshick, J Donahue, T Darrell…, 2014
论文链接地址

5.引用次数：1405
标题：进行大型图像识别的深层网络(Very deep convolutional networks for large-scale image recognition)
K Simonyan, A Zisserman, 2014
论文链接地址

6.引用次数：1169
标题：通过共适应的特征探测器来改进神经网络(Improving neural networks by preventing co-adaptation of feature detectors)
GE Hinton, N Srivastava, A Krizhevsky…, 2012
论文链接地址

7.引用次数：1160
标题：深入了解卷积(Going deeper with convolutions)
C Szegedy, W Liu, Y Jia, P Sermanet…, 2015
论文链接地址

8.引用次数：977
标题：反向传播网络的手写数字识别(Handwritten digit recognition with a back-propagation network)
BB Le Cun, JS Denker, D Henderson…, 1990
论文链接地址

9.引用次数：907
标题：观察和理解卷积网络(Visualizing and understanding convolutional networks)
MD Zeiler, R Fergus, 2014
论文链接地址

10.引用次数：839
标题：降阶—以简单的方法来防止神经网络拟合(Dropout: a simple way to prevent neural networks from overfitting)
N Srivastava, GE Hinton, A Krizhevsky…, 2014
论文链接地址

11.引用次数：839
标题：Overfeat框架:使用卷积网络进行综合识别、定位和检测(Overfeat: Integrated recognition, localization and detection using convolutional networks)
P Sermanet, D Eigen, X Zhang, M Mathieu…, 2013
论文链接地址

12.引用次数：818
标题：从微图像里学习多层次特征(Learning multiple layers of features from tiny images)
A Krizhevsky, G Hinton, 2009
论文链接地址

13.引用次数：718
标题：无咖啡因:一个用于通用图像识别的深积激活特征(DeCAF: A Deep Convolutional Activation Feature for Generic Visual Recognition)
J Donahue, Y Jia, O Vinyals, J Hoffman, N Zhang…, 2014
论文链接地址

14.引用次数：691
标题：深度人脸:拉近与真人之间的面部识别差距(Deepface: Closing the gap to human-level performance in face verification)
Y Taigman, M Yang, MA Ranzato…, 2014
论文链接地址

15.引用次数：679
标题：深入玻耳兹曼机 (Deep Boltzmann Machines)
R Salakhutdinov, GE Hinton, 2009
论文链接地址

16.引用次数：670
标题：用于图像、语音和时间序列的卷积网络(Convolutional networks for images, speech, and time series)
Y LeCun, Y Bengio, 1995
论文链接地址

17.引用次数：570
标题：现成的 CNN 功能: 令人震惊的基线识别(CNN features off-the-shelf: an astounding baseline for recognition)
A Sharif Razavian, H Azizpour, J Sullivan…, 2014
论文链接地址

18.引用次数：549
标题：学习场景标识中的分层结构特征 (Learning hierarchical features for scene labeling)
C Farabet, C Couprie, L Najman…, 2013
论文链接地址

19.引用次数：510
标题：完全卷积网络的语义分割(Fully convolutional networks for semantic segmentation)
J Long, E Shelhamer, T Darrell, 2015
论文链接地址

20.引用次数：469
标题：最大输出网络(Maxout networks)
IJ Goodfellow, D Warde-Farley, M Mirza, AC Courville…, 2013
论文链接地址

21.引用次数：453
标题：精绝的细节:深度钻研卷积网(Return of the devil in the details: Delving deep into convolutional nets)
K Chatfield, K Simonyan, A Vedaldi…, 2014
论文链接地址

22.引用次数：445
标题：使用卷积神经网络进行大型视频分类 (Large-scale video classification with convolutional neural networks)
A Karpathy, G Toderici, S Shetty, T Leung…, 2014
论文链接地址

23.引用次数：347
标题：深度视觉语义路线生成图像描述(Deep visual-semantic alignments for generating image descriptions)
A Karpathy, L Fei-Fei, 2015
论文链接地址

24.引用次数：342
标题：深入学习整流器:超越人类水平的图像分类(Delving deep into rectifiers: Surpassing human-level performance on imagenet classification)
K He, X Zhang, S Ren, J Sun, 2015
论文链接地址

25.引用次数：334
标题：使用卷积神经网络来学习和转移中级图像显示 (Learning and transferring mid-level image representations using convolutional neural networks)
M Oquab, L Bottou, I Laptev, J Sivic, 2014
论文链接地址

26.引用次数：333
标题：卷积网络及其在视觉中的应用(Convolutional networks and applications in vision)
Y LeCun, K Kavukcuoglu, C Farabet, 2010
论文链接地址

27.引用次数：332
标题：使用场景数据库进行深度场景识别(Learning deep features for scene recognition using places database)
B Zhou, A Lapedriza, J Xiao, A Torralba…,2014
论文链接地址

28.引用次数：299
标题：使用深积网络中的空间金字塔池进行视觉识别 (Spatial pyramid pooling in deep convolutional networks for visual recognition)
K He, X Zhang, S Ren, J Sun, 2014
论文链接地址

29.引用次数：268
标题：使用长期递归卷积网络进行视觉识别和描述(Long-term recurrent convolutional networks for visual recognition and description)
J Donahue, L Anne Hendricks…, 2015
论文链接地址

30.引用次数：261
标题：使用二流卷积网络进行动作视频识别(Two-stream convolutional networks for action recognition in videos)
K Simonyan, A Zisserman, 2014
论文链接地址

PS：有个别论文是付费阅读，无PDF（但提供了入口链接）。

原文来自：Computervisionblog（译者：伍昆）

微信关注我们

原文链接：https://yq.aliyun.com/articles/55892

转载内容版权归作者及来源网站所有！

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

论文笔记之：Playing Atari with Deep Reinforcement Learning

Playing Atari with Deep Reinforcement Learning 《Computer Science》,2013 Abstract：本文提出了一种深度学习方法，利用强化学习的方法，直接从高维的感知输入中学习控制策略。模型是一个卷积神经网络，利用 Q-learning的一个变种来进行训练，输入是原始像素，输出是预测将来的奖励的 value function。将此方法应用到 Atari 2600 games 上来，进行测试，发现在所有游戏中都比之前的方法有效，甚至在其中3个游戏中超过了一个人类玩家的水平。 Introduction：从高维感知输入中学习控制agents，像视觉或者speech 是强化学习中一个长期的挑战。大部分成功的涉及到这几个领域的RL 应用都依赖于手工设计的feature 和线性策略函数或者策略表示的组合。明显，这种系统的性能严重的依赖于特征表示的质量。最近深度学习的发展，对于从原始感知数据中提取高层feature 称为可能，并且在计算机视觉和语音识别上面取得了很大的进展。这些方法利用神经网络结构，包括神经网络，多层感知机，RB...

2016-06-20

652

科大讯飞的语音识别功能用在安卓代码中，我把语音识别写成了Service，然后在Fragment直接调用service服务。科大讯飞语音识别用的是带对话框的那个，直接调用科大讯飞的语音接口，代码采用链表结果集的方式获取数据。这个语音识别需要在官网申请APPID 本博来自：http://blog.csdn.net/zhaocundang小波LinuxQQ463431476 测试：自己项目采用了科大讯飞语音识别服务，报告中是这样解释的：语音Service服务代码设计（1）要想写好Service代码，必须了解Service的生命周期. （2）首先启动Service服务的方法是：getActivity().startService(new Intent(getActivity(),VoiceService.class));停止Service服务：getActivity().stopService(new Intent(getActivity(),VoiceService.class));（3）将类继承与Service:public class VoiceService extends Se...

2016-06-22

585

资源下载

更多资源

优质分享App

近一个月的开发和优化，本站点的第一个app全新上线。该app采用极致压缩，本体才4.36MB。系统里面做了大量数据访问、缓存优化。方便用户在手机上查看文章。后续会推出HarmonyOS的适配版本。

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。