十篇经典的深度学习论文！你知道几篇

1.ImageNet Classification with Deep Convolutional Neural Networks

ImageNet Classification with Deep Convolutional Neural Networks （应用深度卷积神经网络启动 ImageNet 分类）是 Alex Krizhevsky, Ilya Sutskever 和 Geoffrey E. Hinton 在 2012 年宣布的一篇具备里程碑意义的论文。这篇论文形容了一种深度卷积神经网络（CNN），在 ImageNet 大规模视觉识别应战赛（ILSVRC）中取得了清楚的成功。

2.Deep Residual Learning for Image Recognition

Deep Residual Learning for Image Recognition（深度残差学习在图像识别中的运行）是 Kaiming He, Xiangyu Zhang, Shaoqing Ren 和 Jian Sun 在 2 年宣布的一篇关键论文。

这篇论文引见了一种新的深度神经网络架构，残差网络（ResNet），在 ImageNet 大规模视觉识别应战赛（ILSVRC）中取得了打破性的成功。

3.A Few Useful Things to Know about Machine Learning

A Few Useful Things to Know about Machine Learning 是 Pedro Domingos 于 2012 年宣布的一篇关键论文，旨在为机器学习通常者和钻研人员提供一些适用的见地和倡导，涵盖了从模型选用、特色工程、正则化到数据品质和并行计算等多个方面。这些适用的倡导有助于更好地理解和运行机器学习技术，提高模型的功能和牢靠性。

~george/ay122/cacm12.pdf

4.Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift

Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 是 Sergey Ioffe 和 Christian Szegedy 在 2 年提出的一篇关键论文。

它提出了一种便捷而有效的方法，经过在每一层的输入上启动归一化操作，清楚减速了深度神经网络的训练环节，增强了训练的稳固性，并提高了模型的最终功能。

批量归一化已成为深度学习中规范的技巧，被宽泛运行于各种网络架构和义务中。

5.Sequence to Sequence Learning with Neural Networks

Sequence to Sequence Learning with Neural Networks 是 Ilya Sutskever、Oriol Vinyals 和 Quoc V. Le 在 2014 年提出的一篇具备里程碑意义的论文。

论文提出了一种反派性的架构（Seq2Seq），清楚推进了序列到序列义务的开展。Seq2Seq 模型经过编码器-解码器结构，将输入序列映射到输入序列，在机器翻译等义务中取得了清楚的成功。这一模型的提出不只开创了新的钻研方向，还激起了后续少量的改良和翻新，如留意力机制和 Transformer 模型。Seq2Seq 已成为人造言语处置和其余序列到序列义务中的基础方法。

6.Generative Adversarial Nets

Generative Adversarial Nets (GANs) 是由 Ian Goodfellow 等人在 2014 年提出的。

GANs 的外围现实是经过两个神经网络，生成器（Generator）和判断器（Discriminator）相互竞争，从而生成真切的数据。

7.High-Speed Tracking with Kernelized Correlation Filters

High-Speed Tracking with Kernelized Correlation Filters 是由 João F. Henriques, Rui Caseiro, Pedro Martins, 和 Jorge Batista 在 2 年宣布的。

这篇论文提出了一种高效的目的跟踪方法，称为 Kernelized Correlation Filters (KCF)，在坚持高效计算的同时，提供了优越的跟踪功能。

8.YOLO9000: Better, Faster, Stronger

YOLO9000: Better, Faster, Stronger 是由 Joseph Redmon 和 Ali Farhadi 于 2016 年提出的一篇关键论文。

这篇论文引见了一种新的实时目的检测系统 YOLO9000，它不只能够在现有的目的检测义务上体现出色，还可以检测超越 9000 种对象类别。

它提出了一种改良的目的检测模型，经过联结训练和层级分类器等翻新方法，清楚优化了目的检测的速度和准确性，并裁减了可检测对象的种类。YOLO9000 在多个对象检测基准测试中体现优秀，是目的检测畛域的一项关键停顿。

此版本的 YOLO 系统成功了出色的功能目的，可检测超越 9000 个名目类别，并击败了 SSD 和 Faster R-CNN with ResNet 等竞争方法。在 VOC 2007 数据集上，YOLOv2 以每秒 67 帧的速度取得 76.8 mAP，在 COCO 上以每秒 40 帧的速度取得 78.6 mAP，取得了令人鼓舞的结果。

9.Fast R-CNN

Fast R-CNN 是由 Ross Girshick 在 2 年提出的一篇关键论文。

该论文引见了一种高效的目的检测方法，称为 Fast R-CNN，它经过共享卷积特色、RoI 池化和多义务损失函数，清楚优化了目的检测的速度和精度。Fast R-CNN 在多个基准测试中体现出色，是目的检测畛域的一项关键停顿。它为后续的检测算法（如 Faster R-CNN 和 Mask R-CNN）奠定了基础，对计算机视觉的开展发生了深远影响。

10.Large-scale Video Classification with Convolutional Neural Networks

Large-scale Video Classification with Convolutional Neural Networks 是由 André Karpathy 等人在 2014 年提出的一篇论文。

论文经过大规模试验验证了方法的有效性，对视频了解和计算机视觉畛域发生了关键影响。