专栏名称: 机器之心
专业的人工智能媒体和产业服务平台
目录
相关文章推荐
爱可可-爱生活  ·  【[88星]VibeKit:安全运行AI编码 ... ·  11 小时前  
DataFunTalk  ·  Data Warebase 成功押注 ... ·  12 小时前  
DataFunTalk  ·  Data Warebase 成功押注 ... ·  12 小时前  
爱可可-爱生活  ·  本文提出的SmolVLA通过高效紧凑的架构设 ... ·  2 天前  
爱可可-爱生活  ·  【[90星]torchvista:用一行代码 ... ·  3 天前  
51好读  ›  专栏  ›  机器之心

机器学习和深度学习引用量最高的20篇论文(2014-2017)

机器之心  · 公众号  · AI  · 2017-04-09 12:01

正文

请到「今天看啥」查看全文



1. 论文:Dropout:一种防止神经网络过拟合的简单方法(Dropout: a simple way to prevent neural networks from overfitting)


  • 链接:http://suo.im/3o6l4B

  • 作者:Hinton, G.E., Krizhevsky, A., Srivastava, N., Sutskever, I., & Salakhutdinov, R. (2014). Journal of Machine Learning Research, 15, 1929-1958.

  • 数据:引用:2084、HIC:142、CV:536

  • 摘要:其关键思想是在神经网络的训练过程中随机丢弃单元(连同它们的连接点)。这能防止单元适应过度,显著减少过拟合,并相对于其它正则化方法有重大改进。


2. 论文:用于图像识别的深度残差学习(Deep Residual Learning for Image Recognition)


  • 链接:http://suo.im/1JrYXX

  • 作者:He, K., Ren, S., Sun, J., & Zhang, X. (2016). CoRR

  • 数据:引用:1436、HIC:137、CV:582

  • 摘要:目前的深度学习网络层数越来越多,越来越难以训练,因此我们提出了一种减缓训练压力的残差学习框架。我们明确地将这些层重新定义为与输入层有关的学习残差函数,而不是学习未被引用的函数。与此同时,我们提供了全面的经验证据以表明残差网络更容易优化,并可通过增加其层数来提升精确度。


3. 论文:批标准化:通过减少内部协移加速深度神经网络训练(Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift)


  • 链接:http://suo.im/3sJtk1

  • 作者:Sergey Ioffe, Christian Szegedy (2015) ICML.

  • 数据:引用:946、HIC:56、CV:0

  • 摘要:训练深度神经网络的过程很复杂,原因在于每层的输入分布随着训练过程中引起的前面层的参数变化而变化。我们把这种现象称为内部协变量转移(internal covariate shift),并可利用归一化层输入来解决此问题。通过将此方法应用到最先进的图像分类模型,批标准化在训练次数减少了 14 倍的条件下达到了与原始模型相同的精度,这表明批标准化具有明显的优势。


4. 论文:利用卷积神经网络进行大规模视频分类(Large-Scale Video Classification with Convolutional Neural Networks)


  • 链接:http://suo.im/25lfXF

  • 作者:Fei-Fei, L., Karpathy, A., Leung, T., Shetty, S., Sukthankar, R., & Toderici, G. (2014). IEEE Conference on Computer Vision and Pattern Recognition

  • 数据:引用:865、HIC:24、CV:239

  • 摘要:针对图像识别问题,卷积神经网络(CNN)被认为是一类强大的模型。受到这些结果的激励,我们使用了一个包含 487 个类别、100 万 YouTube 视频的大型数据集,对利用 CNN 进行大规模视频分类作了一次广泛的实证评估。


5. 论文:Microsoft COCO:语境中的通用对象(Microsoft COCO: Common Objects in Context)


  • 链接:http://suo.im/DAXwA

  • 作者:Belongie, S.J., Dollár, P., Hays, J., Lin, T., Maire, M., Perona, P., Ramanan, D., & Zitnick, C.L. (2014). ECCV.

  • 数据:引用:830、HIC:78、CV:279

  • 摘要:我们展示了一个新的数据集,通过将对象识别问题放入更广泛的场景理解问题的语境中,以推进当前对象识别领域中最先进的技术。我们的数据集包含了 91 种对象类型的照片,这些图片对于一个 4 岁大的孩子而言,很容易识别。最后,我们利用可变形部件模型(DPM)为边界框和分割检测结果提供了一个基线性能分析。


6. 论文:使用场景数据库学习场景识别中的深层特征(Learning deep features for scene recognition using places database)


  • 链接:http://suo.im/2EOBTa

  • 作者:Lapedriza, À., Oliva, A., Torralba, A., Xiao, J., & Zhou, B. (2014). NIPS.

  • 数据:引用:644、HIC:65、CV:0

  • 摘要:我们引入了一个以场景为中心的新数据库,这个数据库称为「Places」,里面包含了超过 700 万个标注好了的场景。我们提议使用新方法去比较图像数据集的密度和多样性,以表明 Places 与其它场景数据库一样密集并更具多样性。


7. 论文:生成对抗网络(Generative adversarial nets)







请到「今天看啥」查看全文