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

BatchNormalization: Accelerating Deep Network Training by Reducing InternalCovariate Shift (2015)

作者：S. Loffe and C. Szegedy (Google)

8. 深度探入纠正器：在 Imagenet 分类中超过人类表现

Delving deepinto rectifiers: Surpassing human-level performance on imagenet classification(2015)

作者：K. He et al.(Microsoft)

9. Dropout：一个预防神经网络过拟合的简单方式

Dropout: Asimple way to prevent neural networks from overfitting (2014)

作者：N. Srivastava et al. (Hinton)

10. Adam：一个随机优化的方法

Adam: A methodfor stochastic optimization (2014)

作者：D. Kingma and J. Ba

11. 视觉识别中深度卷积网络的空间金字塔池化

Spatial pyramidpooling in deep convolutional networks for visual recognition (2014)

作者：K. He et al.

12. 论深度学习领域初始化和动量的重要性

On theimportance of initialization and momentum in deep learning (2013)

作者：I. Sutskever et al. (Hinton)

13. 使用 Dropconnect 的神经网络正则化

Regularizationof neural networks using dropconnect (2013)

作者：L. Wan et al. (LeCun)

14. 通过预防特征检测器的互相适应改善神经网络

Improving neuralnetworks by preventing co-adaptation of feature detectors (2012)

作者：G. Hinton et al.

15. 超参数最优化的随机搜索

Random searchfor hyper-parameter optimization (2012)

作者：J. Bergstra and Y. Bengio

16. 图像识别中的深度残差学习

Deep residuallearning for image recognition (2016)

作者：K. He et al. (Microsoft)

17. 用于物体精准检测和分割的基于区域的卷积网络

Region-basedconvolutional networks for accurate object detection and segmentation (2016)

作者：R. Girshick et al.(Microsoft)

18.深入卷积网络

Going deeperwith convolutions (2015)

作者：C. Szegedy et al. (Google)

19. 快速 R-CNN 网络

Fast R-CNN(2015)

作者： R. Girshick (Microsoft)

20. 用于语义分割的饱和卷积网络

Fullyconvolutional networks for semantic segmentation (2015)

作者：J. Long et al.

21. 大规模图像识别的深度卷积网络

Very deepconvolutional networks for large-scale image recognition (2014)

作者：K. Simonyan and A. Zisserman

22. OverFeat：使用卷积网络融合识别、本地化和检测

OverFeat:Integrated recognition, localization and detection using convolutional networks(2014)

作者：P. Sermanet et al.(LeCun)

23. 可视化以及理解卷积网络

Visualizing andunderstanding convolutional networks (2014)

作者：M. Zeiler and R. Fergus

24. Maxout 网络

Maxout networks(2013)

作者：I. Goodfellow et al. (Bengio)

25. Network InNetwork 深度网络架构

Network innetwork (2013)

作者：M. Lin et al.

26. 使用深度卷积神经网络做 ImageNet 分类

ImageNetclassification with deep convolutional neural networks (2012)

作者：A. Krizhevsky et al. (Hinton)

27. 大规模分布式深度网络

Large scaledistributed deep networks (2012)

作者：J. Dean et al.

 

四、图像

28. 使用卷积神经网络在自然环境下阅读文本

Reading textin the wild with convolutional neural networks (2016)

作者：M. Jaderberg et al. (DeepMind)

29. Imagenet 大规模视觉识别挑战赛

Imagenetlarge scale visual recognition challenge (2015)

作者：O. Russakovsky et al.

30. 更快速的 R-CNN 网络：使用区域建议网络的实时物体检测

Faster R-CNN:Towards Real-Time Object Detection with Region Proposal Networks (2015)

作者： S. Ren et al.

31. DRAW：一个用于图像生成的循环神经网络

DRAW: Arecurrent neural network for image generation (2015)

作者：K. Gregor et al.

32. 对精确的物体检测和语义切割更为丰富的特征分层

Rich featurehierarchies for accurate object detection and semantic segmentation (2014)

作者： R. Girshick et al.

33. 使用卷积神经网络学习和迁移中层图像表征

Learning andtransferring mid-Level image representations using convolutional neuralnetworks (2014)

作者：M. Oquab et al.

34. DeepFace：在面部验证任务中接近人类表现

DeepFace:Closing the Gap to Human-Level Performance in Face Verification (2014)

作者：Y. Taigman et al. (Facebook)

35. Decaf：一个用于通用视觉识别的深度卷积激活特征

Decaf: A deepconvolutional activation feature for generic visual recognition (2013)

作者：J. Donahue et al.

36. 为场景标注学习层级特征

LearningHierarchical Features for Scene Labeling (2013)

作者：C. Farabet et al. (LeCun)

37. 为识别学习中层特征（2010），Y.Boureau（LeCun）

Learning mid-levelfeatures for recognition (2010)

作者： Y. Boureau (LeCun)