卷积神经网络必读的40篇经典论文，包含检测/识别/分类/分割多个领域 外汇期货的应用有哪些类型的论文题目

转载自：极市平台

作为深度学习的代表算法之一，卷积神经网络（Convolutional Neural Networks，CNN）在计算机视觉等领域上取得了当前最好的效果。

1998 年，Yann LeCun提出LeNet-5，将 BP 算法应用到神经网络结构的训练上，形成当代CNN雏形。2012 年，在 Imagenet 图像识别大赛中，Hinton 组的论文中提到的 Alexnet 引入了全新的深层结构和 dropout 方法，将 error rate 从 25% 以上提升到了 15%，一举颠覆了图像识别领域，CNN自此声名大噪并蓬勃发展。在 2016 年，CNN 再次给人们一个惊喜：谷歌研发的基于深度神经网络和搜索树的智能机器人“AlphaGo”在围棋上击败人类。随后利用 ResNet 和 Faster-RCNN 的思想，一年后的 Master 完虐了所有人类围棋高手，达到神一般的境界。

可以说，卷积神经网络是深度学习算法应用最成功的领域之一。

而研读卷积神经网络的经典论文，对于学习和研究卷积神经网络必不可缺。根据相关算法，科技情报大数据挖掘与服务系统平台AMiner从人工智能领域国际顶会/期刊中提取出“卷积神经网络”相关关键词，筛选推荐了 40 篇经典必读论文，内容包含CNN在检测/识别/分类/分割/跟踪等领域的理论与实践，并按被引用量进行了排序整理。

这 100 篇论文大多发表于 2015 年至 2023 年间，主要发表在 CVPR、ICCV、ICML、NeuIPS 等计算机视觉顶级学术会议上。在该领域发表论文最多的学者中，“神经网络之父”、“深度学习鼻祖”Hinton 与 Bengio 双双上榜，为深度学习研究持续贡献了力量。

下文将对这100篇论文进行按被引用量的排序，并对部分作简单评述：

*1. Fully Convolutional Networks for Semantic Segmentation ｜CVPR2015｜引用量：13136

作者信息：UC Berkeley｜Jonathan Long，Evan Shelhamer，Trevor Darrell

本篇论文是神经网络大神 Jonathan Long 与他的博士同学 Evan Shelhamer、导师 Trevor Darrell 的代表作，获得了 CVPR 2015 年最佳论文奖。该文的核心贡献，在于提出了全卷积网络（FCN）的概念，它是一种可以接受任意大小图像并输出与输入等大的图像的全卷积神经网络，针对语义分割训练一个端到端，点对点的网络，达到了 state-of-the-art。这是第一次训练端到端的 FCN，用于像素级的预测；也是第一次用监督预训练的方法训练 FCN。

*2. Convolutional Neural Networks for Sentence Classification｜EMNLP 2014｜引用量：5978论文信息：纽约大学｜Yoon Kim

*3. Large-Scale Video Classification with Convolutional Neural Networks｜CVPR2014｜引用量：4145作者信息：谷歌，斯坦福大学｜Andrej Karpathy，George Toderici，Sanketh Shetty，Thomas Leung，Rahul Sukthankar，Li Fei-Fei

该文研究了多种方法来扩展 CNN 在时域上的连通性，以利用局部时空信息，作者提出一个多分辨率、新颖的框架的方式来加快训练（计算效率）。文章的贡献点主要有三个：

1.将 CNN 拓展，用于视频分类；2.使用两种不同的分辨率的帧分别作为输入，输入到两个 CNN 中，在最后的两个全连接层将两个 CNN 统一起来；两个流分别是低分辨率的内容流和采用每一个帧中间部分的高分辨率流；

3.将从自建数据库学习到的 CNN 结构迁移到 UCF-101 数据集上面。

*4. How transferable are features in deep neural networks? ｜NIPS 2014｜引用量：3414作者信息：卡耐基梅隆大学，怀俄明大学，蒙特利尔大学｜Jason Yosinski，Jeff Clune，Yoshua Bengio，Hod Lipson