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】

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)

时间: 2024-09-24 02:15:04

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】的相关文章

126篇殿堂级深度学习论文分类整理 从入门到应用 | 干货

如果你有非常大的决心从事深度学习,又不想在这一行打酱油,那么研读大牛论文将是不可避免的一步.而作为新人,你的第一个问题或许是:"论文那么多,从哪一篇读起?" 本文将试图解决这个问题--文章标题本来是:"从入门到绝望,无止境的深度学习论文".请诸位备好道具,开启头悬梁锥刺股的学霸姿势. 开个玩笑. 但对非科班出身的开发者而言,读论文的确可以成为一件很痛苦的事.但好消息来了--为避免初学者陷入迷途苦海,昵称为 songrotek 的学霸在 GitHub 发布了他整理的深

华盛顿邮报:中国AI研究领先世界,深度学习论文数量及质量居第一

据<华盛顿邮报报道>,人类距离造出有自我意识的人工智能可能还有很长的路要走.但随着智能手机以及其他设备中机器学习服务的兴起,一种狭义的.专门的AI已经非常流行.这一分支的AI研究也正在加速.   事实上,随着越来越多的行业和政策制定者从机器学习中得到受益,有两个国家似乎在AI研究的"军备竞赛"中走在前列.这可能对AI的未来有重大影响.   "深度学习"是机器学习的一个分支,机器学习则是AI的分支--涉及使用计算机算法执行模式识别和分析.例如,深度学习可以

(zhuan) 126 篇殿堂级深度学习论文分类整理 从入门到应用

126 篇殿堂级深度学习论文分类整理 从入门到应用 | 干货 雷锋网  作者: 三川 2017-03-02 18:40:00 查看源网址 阅读数:66     如果你有非常大的决心从事深度学习,又不想在这一行打酱油,那么研读大牛论文将是不可避免的一步.而作为新人,你的第一个问题或许是:"论文那么多,从哪一篇读起?" 本文将试图解决这个问题--文章标题本来是:"从入门到绝望,无止境的深度学习论文".请诸位备好道具,开启头悬梁锥刺股的学霸姿势. 开个玩笑. 但对非科班出

【独家】深度学习论文阅读路线图

如果你是深度学习领域的一名新手,可能会遇到的第一个问题是"应该从哪篇论文开始读起呢?" 这里给出了深度学习论文阅读路线图! 路线图按照下面四个准则构建而成: 从提纲到细节 从经典到前沿 从通用领域到特定领域 专注于最先进的技术 你将会发现很多近期发表但是确实值得一读的论文. 我们将持续不断的给这条路线图添加论文. 1 深度学习历史和基础 1.0  书籍 1.1调查 1.2 深度信念网络(DBN) (深度学习开篇的里程碑) 1.3 ImageNet进展(深度学习从此爆发) 1.4语音识别

Keras之父:大多数深度学习论文都是垃圾,炒作AI危害很大

Keras之父.谷歌大脑人工智能和深度学习研究员François Chollet最新撰写了一本深度学习Python教程实战书籍<Python深度学习>,书中介绍了深度学习使用Python语言和强大Keras库,详实新颖. 近日,François Chollet接受了采访,就"深度学习到底是什么"."Python为何如此广受欢迎"."目前深度学习面临的主要挑战"等议题进行了回答.他认为,目前很多深度学习领域的论文都是无意义的,因为这些研

12位专家,展望未来5年深度学习发展趋势

2015年已然过去,2016刚刚开始,回头将目光集中于去年的成就上,以及对将来科学趋势的预测.去年最令人瞩目的一个领域就是深度学习,它是机器学习中越来越流行的一个分支,看起来它会继续向前发展,并会运用到越来越多的行业和领域中. 在过去的一年中,我们有幸通过RE•WORK节目与从事人工智能和计算机科学方面的许多大牛进行交流,我们期待在2016年会晤更多的专家,并向他们学习. 作为Q&A;系列的一部分,我们邀请了一些深度学习方面最为资深的人士,来预测深度学习领域未来5年的可能发展情况. 未来5年我们

深度学习论文阅读路线图

1.深度学习历史和基础 1.0  书籍 1.1调查 1.2 深度信念网络(DBN) (深度学习开篇的里程碑) 1.3 ImageNet进展(深度学习从此爆发) 1.4语音识别进展 阅读完上面这些论文后,通过对深度学习模型(包括CNN,RNN,LSTM)的基础框架,以及深度学习如何应用于图像和语音识别问题的理解,你将会对深度学习的历史有一个基本的认识.下面的论文将带你深入理解深度学习模型,深度学习在不同领域的应用和前沿.我们建议你根据自己的兴趣和研究方向选择下面的论文进行阅读. 2深度学习方法 2

2017年全球最热论文Top 100,AlphaGo Zero、AI超越人类等入选

伟大的科研结果往往引起大量的社会关注和实际影响.Altmetric score 是对基于引用数的传统论文计量方法的一种补充,是科研论文发表后的国际关注度的一个指标,衡量的因素包括新闻报道.博客.推特.Facebook.新浪微博.维基百科等.Altmetric的数据来源于互联网,提供了有关期刊论文和其他学术成果在世界各地探讨和应用情况的信息,目前已被应用于<自然>.<科学>.<柳叶刀> 等期刊网站,以及许多机构数据库和研究者个人网站中. 在过去的一年里,Altmetric

AMiner发布计算机领域知识图谱,包括20多万条专家信息、50多万篇出版论文

日前,清华大学副教授.Arnetminer创始人唐杰在微博公开表示AMiner将发布计算机领域的专业知识图谱Science Knowledge Graph (SciKG). 据其介绍, 这个计算机领域的知识图谱包含1万个知识概念.概念关系以及概念定义,20万专家信息(专家和知识概念对应)以及50万相关论文.这个数据可以用来做一些领域信息理解,信息推荐和检索. 雷锋网 AI 科技评论了解到,AMiner官网目前已经更新了该数据集的下载通道. 从官网可以看到相关介绍, SciKG是一个丰富的知识图谱