深度学习的图像分类、检测领域：2010-2016年被引用次数最多的论文

最近看到一篇文章统计了2010-2016年被引用次数最多的深度学习论文，研究生期间的方向是物体检测，所以截取了领域相关的部分论文。个人认为物体检测又可以分为很多细节研究，任何一项细节只要找到痛点，提出可用的解决办法，就是一份很好的工作，包括：卷积神经网模型的理解（理论/网络结构）；结构参数的行为分析（优化/正则化）；在不同数据分布的表现。

 

一、理论/未来

1. 在神经网络中提取知识

Distilling the knowledge in a neuralnetwork

作者：G. Hintonet al.

2.深度神经网络很易受骗：高信度预测无法识别的图片

Deep neural networks are easily fooled:High confidence predictions for unrecognizable images

作者：A. Nguyenet al.

3. 深度神经网络特征的可迁移性如何？

How transferable are features in deepneural networks? (2014),

作者：J. Yosinskietal.

4.细节魔鬼的回归：深挖卷积网络

Return of the Devil in the Details: DelvingDeep into Convolutional Nets (2014)

作者：K. Chatfieldetal.

5. 为什么无监督预训练对深度学习有帮助？

Why does unsupervised pre-training helpdeep learning (2010)

作者：D. Erhan et al.(Bengio)

6. 理解训练深度前馈神经网络的难点

Understanding the difficulty of trainingdeep feedforward neural networks (2010)

作者：X. Glorot and Y.Bengio

 

二、优化/正则化

7. BatchNormalization 算法：通过减少内部协变量转化加速深度网络的训练

BatchN