点上方蓝字计算机视觉联盟获取更多干货
在右上方 ··· 设为星标 ★，与你不见不散
来源于联盟博士翻译总结
正文共：7179 字 21 图 预计阅读时间： 18 分钟
谷歌学术跟踪近四亿份学术论文和其他学术文献的引用信息，Google Scholar是世界上最大的数据库，旨在衡量近期出版物的“知名度和影响力”
本次最新谷歌学术顶级影响力排行榜前7名，论文内容涵盖人工智能、深度学习、引力波...
2019年8月2日，刚刚发布的Google Scholar排名最高引用的出版物揭示了围绕人工智能（AI）展开的研究。
在“自然”杂志中被引用次数最多的五篇论文中，其中三篇与人工智能有关，其中一篇与超过16,000篇引文相关。
随着世界顶级人工智能会议之一 - 计算机视觉与模式识别（CVPR）的IEEE / CVF会议 - 的出版物今年首次登上今年的十大期刊。其中一篇论文在过去的三年中，已经引用了25,256次引用。
以下是世界上最具影响力的期刊发表的被引用次数最多的文章：
1. "Deep Residual Learning for Image Recognition" (2016)
Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition
25,256 citations
Of the 100 top-ranked journals this year, five are AI conference publications. This particular journal, which made a huge leap in the rankings this year, has three articles with more than 10,000 citations each – a feat not matched by any other journal.
As Synced's Fangyu Cai points out, "It should come as no surprise … that AI conferences are publishing so prodigiously – in recent years they have evolved from low-key academic gatherings into extravagant multimedia events attracting thousands and serving as showcases for major innovations and breakthroughs in AI research, development, and deployment."
This particular article was written by a research team from Microsoft – a company that achieved a significant increase in high-quality research output in 2018, as tracked by the Nature Index.
联盟解读：
这篇文章被引两万五千余次！
这是微软团队进行的研究，同时2018年此团队也高产论文。
在今年排名前100位的期刊中，有5种是人工智能会议出版物。
文章摘要：
更深层次的神经网络更难训练。我们提出了一个残差学习框架，以简化对比以前使用的网络更深入的网络的训练。我们根据层输入显式地将层重新表示为学习残差函数（ learning residual functions），而不是学习未定义函数。我们提供了综合的经验证据，表明这些残差网络易于优化，并且可以从大幅度增加的深度中获得精度。在ImageNet数据集上，我们估计残差网络的深度可达152层--是vgg网络的8倍深[41]，但仍然具有较低的复杂性。这些残差网的集合在图像集上的误差达到了3.57%。这个结果获得了ILSVRC2015的分类任务第一名，我们还用CIFAR-10数据集分析了100层和1000层的网络。
表示深度对于许多视觉识别任务是非常重要的。仅仅由于我们的表示非常深入，我们在coco对象检测数据集上得到了28%的相对改进。深度残差网络是我们参加ILSVRC & COCO 2015 竞赛上所使用模型的基础，并且我们在ImageNet检测、ImageNet定位、COCO检测以及COCO分割上均获得了第一名的成绩。
◆ ◆ ◆ ◆ ◆
2. "Deep learning" (2015)
Nature
16,750 citations
This paper stands out not just because of its high number of citations, but because there was a difference of more than 10,000 between its citation count and the second most-cited Nature paper in the 2019 Google Scholar Metrics report.
Authored by 2018 Turing Award winners, Yann LeCun, Yoshua Bengio and Geoffrey Hinton – known collectively as the 'Godfathers of AI' – the paper is a seminal review of the potential of the AI technologies.
联盟解读：
这篇文章系出名门，出自Nature，是图灵奖的获得者写的综述
本文不仅因为其引用数量众多而引人注目，而且因为引用次数与2019年Google学术搜索指标报告中引用数量最多的第二篇自然论文之间存在差异超过10,000。
由图灵奖得主，Yann LeCun，Yoshua Bengio和Geoffrey Hinton（统称为“AI的教父”）撰写的论文是对人工智能技术潜力的开创性回顾。
文章摘要：
深度学习可以让那些拥有多个处理层的计算模型来学习具有多层次抽象的数据的表示。这些方法在许多方面都带来了显著的改善，包括最先进的语音识别、视觉对象识别、对象检测和许多其它领域，例如药物发现和基因组学等。深度学习能够发现大数据中的复杂结构。它是利用BP算法来完成这个发现过程的。BP算法能够指导机器如何从前一层获取误差而改变本层的内部参数，这些内部参数可以用于计算表示。深度卷积网络在处理图像、视频、语音和音频方面带来了突破，而递归网络在处理序列数据，比如文本和语音方面表现出了闪亮的一面。
◆ ◆ ◆ ◆ ◆
3. "Going Deeper with Convolutions" (2015)
Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition
14,424 citations
This paper by Google AI researchers describes their new object-detection system, GoogLeNet, built using a deep neural network system codenamed Inception.
It received top marks in the 2014 ImageNet Large Scale Visual Recognition Challenge – an international computer vision competition.
In 2018, Google’s parent company, Alphabet, was the sixth most prolific corporate entity in high-quality research output in the Nature Index.
联盟解读：
本文由Google AI研究人员描述了他们的新物体检测系统GoogLeNet，它使用代号为Inception的深度神经网络系统构建。
它在2014年ImageNet大规模视觉识别挑战赛中获得最高分。
2018年，谷歌的母公司Alphabet在自然指数中成为高质量研究产出中第六大多产企业
文章摘要：
我们在ImageNet大规模视觉识别挑战赛2014（ILSVRC14）上提出了一种代号为Inception的深度卷积神经网络结构，并在分类和检测上取得了新的最好结果。这个架构的主要特点是提高了网络内部计算资源的利用率。通过精心的手工设计，我们在增加了网络深度和广度的同时保持了计算预算不变。为了优化质量，架构的设计以赫布理论和多尺度处理直觉为基础。我们在ILSVRC14提交中应用的一个特例被称为GoogLeNet，一个22层的深度网络，其质量在分类和检测的背景下进行了评估。
◆ ◆ ◆ ◆ ◆
4. "Fully Convolutional Networks for Semantic Segmentation" (2015)
Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition
10,153 citations
A team from the University of California, Berkeley was responsible for this highly influential AI paper, which describes a state-of-the-art approach to building AI systems that can identify objects in images.
This particular type of model, semantic segmentation, can be used to count the number of objects in a single image, which has great potential for technologies such as self-driving cars and robotics.
联盟解读：
加州大学伯克利分校的一个团队负责这篇极具影响力的AI论文，该论文描述了构建能够识别图像中物体的AI系统的最先进方法。
这种特殊类型的模型，语义分割，可用于计算单个图像中的对象数量，这对于诸如自动驾驶汽车和机器人技术具有很大潜力。
文章摘要：
卷积网络在特征分层领域是非常强大的视觉模型。我们证明了经过端到端、像素到像素训练的卷积网络超过语义分割中最先进的技术。我们的核心观点是建立“全卷积”网络，输入任意尺寸，经过有效的推理和学习产生相应尺寸的输出。我们定义并指定全卷积网络的空间，解释它们在空间范围内dense prediction任务(预测每个像素所属的类别)和获取与先验模型联系的应用。我们改编当前的分类网络(AlexNet [22] ,the VGG net [34] , and GoogLeNet [35] )到完全卷积网络和通过微调 [5] 传递它们的学习表现到分割任务中。然后我们定义了一个跳跃式的架构，结合来自深、粗层的语义信息和来自浅、细层的表征信息来产生准确和精细的分割。我们的完全卷积网络成为了在PASCAL VOC最出色的分割方式（在2012年相对62.2%的平均IU提高了20%），NYUDv2，和SIFT Flow,对一个典型图像推理只需要花费不到0.2秒的时间。
◆ ◆ ◆ ◆ ◆
5. "Prevalence of Childhood and Adult Obesity in the United States, 2011-2012" (2014)
JAMA
8,057 citations
No non-AI-related paper received more than 10,000 citations in the 2019 Google Scholar Metrics, but this investigation by a team from the US Centers for Disease Control and Prevention came close.
At the time of its release, the study provided the most up-to-date national estimates of childhood obesity in the United States and found that more than one-third of adults and 17% of youth were obese.
It did conclude, however, that there had been no significant changes in obesity prevalence in youth or adults between 2003-2004 and 2011-2012.
联盟解读：
在2019年的Google学术搜索指标中，没有非人工智能相关的论文获得超过10,000次引用，但美国疾病控制和预防中心的一个团队的调查结果非常接近。
在其发布时，该研究提供了美国最新的儿童肥胖国家估计数，发现超过三分之一的成年人和17％的青年人肥胖。
然而，它确实得出结论，2003 - 2004年和2011 - 2012年间，青年或成年人的肥胖患病率没有显着变化。
◆ ◆ ◆ ◆ ◆
6. "Global, regional, and national prevalence of overweight and obesity in children and adults during 1980–2013: a systematic analysis for the Global Burden of Disease Study 2013" (2014)
Lancet
7,371 citations
With almost 200 authors from more than 100 institutions, this paper signifies an enormous undertaking to investigate the global prevalence of obesity.
The study found that the proportion of adults in the world that were overweight or obese had increased between 1980 and 2013, particularly in developed countries, and identified obesity as a major global health challenge.
The second most-cited Lancet paper had 2,459 citations, making this paper an anomaly for the medical journal.
联盟解读：
来自100多家机构的近200名作者，这篇论文标志着调查全球肥胖患病率的巨大努力。
该研究发现，1980年至2013年，世界上超重或肥胖的成年人比例有所增加，特别是在发达国家，并将肥胖确定为全球主要的健康挑战。
引用次数最多的Lancet论文有2,459次引用，使得这篇论文成为医学期刊的一个异常。
◆ ◆ ◆ ◆ ◆
7. "Observation of Gravitational Waves from a Binary Black Hole Merger" (2016)
Physical Review Letters
6,009 citations
This study stands out among the rest in this list as one that gained significant media attention and engagement from the general public, making an impact both inside and outside academia.
Through this paper, a team of physicists from the Advanced Laser Interferometer Gravitational-Wave Observatory (LIGO) described the first direct observation of gravitational waves – a feat that took a century to achieve following Einstein’s prediction of these elusive ripples in space-time.
The study got 2.5 times more citations than the second most-cited paper in Physical Review Letters, also from LIGO, which in 2017 announced the first direct observation of a merger between two neutron stars.
联盟解读：
大名鼎鼎的引力波团队LIGO
这项研究在这份名单中脱颖而出，引起了广大公众的广泛关注和参与，在学术界内外产生了影响。
通过本文，来自高级激光干涉仪引力波观测台（LIGO）的一组物理学家描述了引力波的第一次直接观测 - 这一壮举需要一个世纪才能实现爱因斯坦在时空中预测这些难以捉摸的涟漪。
这项研究的引用次数是物理评论快报中第二次被引用最多的论文的2.5倍，LIGO也在2017年宣布首次直接观察两颗中子星之间的合并。
END
声明：本文来源于联盟总结
加群交流
欢迎加入CV联盟群获取CV和ML等领域前沿资讯
扫描添加CV联盟微信拉你进群，备注：CV联盟
热文荐读
重磅！中国人工智能学会2019年度优秀博士学位论文终评名单公示
中国科学院大学第二届本科毕业生再创辉煌！（87%继续深造：含MIT等名校）
一方面SCIENCE劝退博士，一方面清华发公告，拟对2名博士生退学处理！
上海交通大学“土味”招生视频~闪瞎双眼--让你笑出猪叫...
人工智能领域的黄埔军校--中国科学技术大学！（科大讯飞、商汤、寒武纪、云从科技...）
中国人民大学高瓴人工智能学院协议薪酬120-180万，住房补贴400万刷屏！解决住房和上人大附小！
点个好看支持一下吧
3164
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
