热门深度学习论文

0
18426
照片抵用券

这是我们的员工编写的顶级深度学习论文列表。

1.深度学习,由Yann L.,Yoshua B.& Geoffrey H. (2015)

深度学习允许由多个处理层组成的计算模型学习具有多个抽象级别的数据表示。这些方法极大地改善了语音识别,视觉对象识别,对象检测以及许多其他领域的最新技术,例如药物发现和基因组学。

2.可视化和理解卷积网络由Matt Zeiler,RobFergus撰写

该系统非常灵活,可用于表达各种算法,包括用于深度神经网络模型的训练和推理算法,并且已用于进行研究并将机器学习系统部署到超过十个领域的生产环境中计算机科学和其他领域,包括语音识别,计算机视觉,机器人技术,信息检索,自然语言处理,地理信息提取和计算药物发现。

3. TensorFlow:用于大规模机器学习的系统,由MartínA.,Paul B.,Jianmin C.,Zhifeng C.,Andy D.等撰写。 (2016年)

TensorFlow支持各种应用程序,重点是对深度神经网络的训练和推理。一些Google服务在生产中使用TensorFlow,我们已将其作为开源项目发布,并且已广泛用于机器学习研究。

广告 Coursera Plus标语,包含约翰·霍普金斯大学,谷歌和密歇根大学的课程,突出显示数据科学职业发展的内容

4. 生成对抗网 ,由 Ian J.Goodfellow *,Jean Pouget-Abadie†,Mehdi Mirza,徐冰,David Warde-Farley,Sherjil Ozair‡,Aaron Courville,Yoshua Bengio

本文提出了一个通过对抗过程来估计生成模型的新框架,在该框架中,我们同时训练了两个模型:捕获数据分布的生成模型G和估计样本来自训练数据的概率的区分模型D而不是G。

5.神经网络中的深度学习,作者Juergen Schmidhuber(2015)

这项历史调查简要总结了相关工作,其中大部分来自上一个千年。浅层学习者和深层学习者的特征是其学分分配路径的深度,即作业和效果之间可能学习的因果关系链。我回顾了深度监督学习(也概括了反向传播的历史),无监督学习,强化学习&进化计算,以及间接搜索编码大型和大型网络的短程序。

6.通过深度强化学习进行人为控制,由Volodymyr M.,Koray K.,David S.,Andrei A. R.,Joel V等人撰写(2015年)

在这里,我们利用训练深度神经网络的最新进展来开发一种新型的人工代理,称为深度Q网络,它可以使用端到端强化学习直接从高维感官输入中学习成功的策略。我们在经典的Atari 2600游戏具有挑战性的领域上对该代理进行了测试。

7.更快的R-CNN:通过区域提议网络实现实时目标检测,由Shaoqing R.,Kaiming H.,Ross B. G.& Jian S. (2015)

在这项工作中,我们引入了一个区域提议网络(RPN),该区域提议网络与检测网络共享全图像卷积特征,从而实现几乎免费的区域提议。 RPN是一个完全卷积的网络,可以同时预测每个位置的对象边界和对象度得分。

8.用于视觉识别和描述的长期递归卷积网络,由Jeff D.,Lisa Anne H.,Sergio G.,Marcus R.,Subhashini V.等撰写。 (2015年)

与当前模型假定固定的时空接受域或简单的时间平均以进行顺序处理相比,循环卷积模型“加倍深”,因为它们可以构成空间和时间“层”。

9. MatConvNet:MATLAB的卷积神经网络,作者:Andrea Vedaldi&卡雷尔·伦茨(2015)(引用:1,148)

它将CNN的构建块公开为易于使用的MATLAB函数,提供了使用滤波器组,特征池等来计算线性卷积的例程。本文档概述了CNN及其在MatConvNet中的实现方式,并提供了工具箱中每个计算模块的技术细节。

10.深度卷积生成对抗网络的无监督表示学习,由Alec R.,Luke M.& Soumith C. (2015)

在这项工作中,我们希望有助于弥合CNN在有监督学习的成功与无监督学习之间的差距。我们介绍了一种称为深度卷积生成对抗网络(DCGAN)的CNN,它们具有一定的体系结构约束,并证明它们是无监督学习的强大候选者。

11. U-Net:用于生物医学图像分割的卷积网络,由Olaf R.,Philipp F.&Thomas B. (2015)

人们普遍同意,对深度网络的成功训练需要数千个带注释的训练样本。在本文中,我们提出了一种网络和培训策略,该策略依靠大量使用数据增强功能来更有效地使用可用的带注释的样本。

12.条件随机场作为递归神经网络,作者:Shuai Z.,Sadeep J.,Bernardino R.,Vibhav V.等(2015年)

我们介绍了一种新形式的卷积神经网络,它结合了基于卷积神经网络(CNN)和基于条件随机场(CRF)的概率图形建模的优势。为此,我们将具有高斯成对势的条件随机场的均值场近似推理公式化为递归神经网络。

13.使用深度卷积网络的图像超分辨率,赵超,陈诚,开明H。& Xiaoou T. (2014)

我们的方法直接学习低/高分辨率图像之间的端到端映射。映射表示为深度卷积神经网络(CNN),其将低分辨率图像作为输入并输出高分辨率图像。

14.简短片段之外:用于视频分类的深度网络,由Joe Y. Ng,Matthew J. H.,Sudheendra V.,Oriol V.,Rajat M.& George T. (2015)

在这项工作中,我们提出并评估了几种深度神经网络架构,以比以前尝试的更长的时间段组合视频中的图像信息。

15. Inception-v4,Inception-ResNet和残余连接对学习的影响, 由Christian S.,Sergey I.,Vincent V.&亚历山大·A·A(2017)

近年来,非常深的卷积网络对于图像识别性能的最大进步至关重要。结合三个残差和一个Inception-v4,我们在ImageNet分类(CLS)质询的测试集上实现了3.08%的top-5错误。

16.显着物体检测:具有区别性的区域特征整合方法,由Huaizu J.,京东W.,Zejian Y.,杨W.,南宁Z。& Shipeng Li. (2013)

在本文中,我们将显着性图计算公式化为回归问题。我们的方法基于多级图像分割,利用监督学习方法将区域特征向量映射到显着性分数。

17. Visual Madlibs:填写空白描述生成和问题解答由Licheng Y.,Eunbyung P.,Alexander C.B.& Tamara L. B. (2015)

在本文中,我们引入了一个新的数据集,该数据集包含针对10,738张图像的360,001种关注的自然语言描述。该数据集是Visual Madlibs数据集,它是使用自动生成的空白模板收集的,这些模板旨在收集有关以下内容的目标描述:人物和物体,它们的外观,活动和交互以及有关一般场景或其场景的推论更广泛的背景。

18.深度强化学习的异步方法,由Volodymyr M.,AdriàP. B.,Mehdi M.,Alex G.,Tim H.等撰写。 (2016年)

性能最佳的方法是actor-critic的异步变体,它超越了Atari域上的当前技术水平,同时在单个多核CPU(而不是GPU)上进行了一半的训练。此外,我们证明了异步参与者批评者在各种连续电机控制问题以及使用可视输入导航随机3D迷宫的新任务中取得了成功。

19. Theano:一个用于快速计算数学表达式的Python框架。 由Rami A.,Guillaume A.,Amjad A.,Christof A.等人撰写(2016)

Theano是一个Python库,可以有效地定义,优化和评估涉及多维数组的数学表达式。自推出以来,它一直是最常用的CPU和GPU数学编译器之一,尤其是在机器学习社区中,并且显示出稳定的性能改进。

20.野外的深度学习面部属性,由Ziwei L.,Ping L.,Xiaogang W.& Xiaoou T. (2015)

该框架不仅大大领先于最新技术,而且揭示了学习人脸表征方面的宝贵事实。 (1)显示了如何通过不同的预训练策略来改善人脸定位(LNet)和属性预测(ANet)的性能。 (2)这表明,尽管仅使用图像级别的属性标签对LNet的筛选器进行了微调,但它们在整个图像上的响应图仍具有很强的面部位置指示。

21. 字符级卷积网络用于文本分类,由Xiang Z.,Junbo Jake Z.& Yann L. (2015)

本文提供了使用字符级卷积网络(ConvNets)进行文本分类的实证研究。我们构建了几个大型数据集,以表明字符级卷积网络可以达到最新水平或竞争结果。

22.关于机器学习的一些有用的知识 , 由Pedro Domingos

本文总结了机器学习研究人员和从业人员所学的十二个关键课程。这些包括要避免的陷阱,要重点关注的重要问题以及常见问题的答案。

23。 TensorFlow:异构分布式系统上的大规模机器学习 ,由MartínA.,Ashish A. B.,Eugene B. C.等撰写。 

该系统非常灵活,可用于表达各种算法,包括用于深度神经网络模型的训练和推理算法,并且已用于进行研究并将机器学习系统部署到超过十个领域的生产环境中计算机科学和其他领域,包括语音识别,计算机视觉,机器人技术,信息检索,自然语言处理,地理信息提取和计算药物发现。


广告

发表评论

请输入您的评论!
请在这里输入您的名字

该网站使用Akismet减少垃圾邮件。 了解如何处理您的评论数据.