一、书籍 Deep learning (2015) 作者：Bengio 下载地址：http://www.deeplearningbook.org/ 二、理论 1.在神经网络中提取知识 Distilling the knowledge in a neural network 作者：G. Hinton et 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 u
VGG(2014)网络出自paper《Very Deep Convolutional Networks for Large-Scale Image Recognition》，为ILSVRC2014 localization冠军和classification亚军方法（冠军为GoogLeNet），首次提交arXiv时间为2014年9月，后发表在ICLR2015，截止20191011引用量达27612。因为出自牛津大学Visual Geometry Group，所以网络被命名为VGG，根据层数不同，又分为VGG16、VGG19等。
图像识别 Image Recognition 专知荟萃 入门学习 进阶文章 Imagenet result 2013 2014 2015 2016 2017 综述 Tutorial 视频教程 Datasets 代码 领域专家 入门学习 如何识别图像边缘？ 阮一峰 [http://www.ruanyifeng.com/blog/2016/07/edge-recognition.html] CS231n课程笔记翻译：图像分类笔记 [https://zhuanlan.zhihu.com/p/20894041]
在过去的几年里，深度学习是机器学习和统计学习交叉领域的一个子集，强大的开源工具以及大数据的热潮让其取得了令人惊讶的进展。 本文根据微软学术的引用量作为评价指标，从中选取了10篇引用量最高的论文。希望在今天的读书日，能够给大家带来一份学习的干货。 Deep Learning, by Yann L., Yoshua B. & Geoffrey H. (2015) 引用次数：5716 Deep learning enables computational models that are composed of
由简入繁，由繁入简。已疯…… LeNet：Gradient based learning applied to document recognition AlexNet：ImageNet Classification with Deep Convolutional Neural Networks ZFNet：Visualizing and understanding convolutional networks VGGNet：Very deep convolutional networks for larg
【新智元导读】这里是近5年100篇被引用次数最多的深度学习论文，覆盖了优化/训练方法、无监督/生成模型、卷积网络模型和图像分割/目标检测等十大子领域。重要的论文能够超越其应用领域让人获益。新智元在每个领域都选择了一篇论文重点介绍，这将是你纵览深度学习研究绝好的开始。 这里是100篇被引用次数最多的深度学习论文，从海量的相关论文中脱颖而出。无论其应用领域是什么，都值得一读，而在其各自的领域，它们是必读之作。 此前已经有一些很棒的深度学习论文的榜单了，比如说Deep Vision和Awesome Recurre
本文介绍了深度学习的背景和意义，并回顾了深度学习的历史。作者详细介绍了深度学习在计算机视觉、自然语言处理、语音识别等领域中的应用，并探讨了深度学习的挑战和未来发展方向。
目标检测和深度学习 Image Classification Microsoft Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun, Deep Residual Learning for Image Recognition [http://arxiv.org/pdf/1512.03385v1.pdf] [http://image-net.org/challenges/talks/ilsvrc2015_deep_residual_learning_kaimin
纵览：视频理解算法经过了手工特征-> CNN -> Two stream ->3D卷积 ->Transformer的一步步演进，不断使模型具有更强的表征能力
大家好，我叫Aaron！ 之前给大家整理过很多干货，今天再精选10篇CV图像分类任务的经典论文称为“baseline 论文”——基石论文。快速准确吃透baseline论文，是学习CV其他细分任务论文的基石。 精选整理10篇论文的篇目如下： NIPS-2012，Alexnet：深度学习CV领域划时代论文，具有里程碑意义 《ImageNet Classification with Deep Convolutional Neural Networks》 ICLR-2015，VGG net：开启3*3卷积堆叠时代
很多朋友都希望我们开通论文推荐和阅读板块，那就开吧，此专栏名为《每周论文推荐》。在这个专栏里，还是本着有三AI一贯的原则，专注于让大家能够系统性完成学习，所以我们推荐的文章也必定是同一主题的。
目标检测和深度学习 Segmentation Alexander Kolesnikov, Christoph Lampert, Seed, Expand and Constrain: Three Principles for Weakly-Supervised Image Segmentation, ECCV, 2016. [http://pub.ist.ac.at/~akolesnikov/files/ECCV2016/main.pdf] [https://github.com/kolesman/SEC]
虽然这里说的都是图像，但其实视频也属于计算机视觉的研究对象，所以还有视频分类、检测、生成，以及追踪，但篇幅的关系，以及目前研究工作方向也集中于图像，暂时就不介绍视频方面应用的内容。
【导读】专知内容组整理了最近五篇视频分类（Video Classification）相关文章，为大家进行介绍，欢迎查看! 1.Learnable pooling with Context Gating for video classification（基于可学习的池化与上下文门限视频分类） ---- 作者：Antoine Miech,Ivan Laptev,Josef Sivic 摘要：Current methods for video analysis often extract frame-level
选自Github 作者：songrotek 机器之心编译 参与：晏奇、黄小天 如果你现在还是个深度学习的新手，那么你问的第一个问题可能是「我应该从哪篇文章开始读呢？」在 Github 上，songrotek 准备了一套深度学习阅读清单，而且这份清单在随时更新。至于文中提到的 PDF，读者们可点击阅读原文下载机器之心打包的论文，或点开下面的项目地址下载自己喜欢的学习材料。 项目地址：https://github.com/songrotek/Deep-Learning-Papers-Reading-Road
本文介绍了利用VGG 16模型进行图像分类识别的实践，通过四个实验分别对枪的检测、小拼图的测试、老虎的检测和多个场景的检测进行了展示，同时介绍了预训练模型在图像分类中的重要作用，实验结果表明，预训练模型在图像分类中有着重要的应用，可以提高分类的精度和速度。
之前通过三篇文章简单介绍了机器学习常用的几种经典算法，当然也包括了目前很火的 CNNs 算法了：
第五期飞跃计划还有两个名额，联系小编，获取你的专属算法工程师学习计划（联系小编SIGAI_NO2）
新年伊始，相信每个人已经制定好了自己2016年的计划。随着无人机和智能机器人在春晚亮相，想必许多人会对“人工智能”、“机器学习”，“深度学习”这些科技热词充满了好奇。为此，新智元给众多热爱人工智能领域的读者准备了一份丰厚的大理。小编深知许多对人工智能领域感兴趣的读者可能还不知如何入手该领域，那么，小编建议就从了解深度学习开始吧！新智元为学习深度学习的初学者整理了一份非常全面的书单，下面就随小编一起来看看这份书单中包含哪些板块的内容呢？ 给深度学习从业者的书单 一、关于矩阵或者单变量微积分计算的文献（共5项）
本文结合总结梳理了知乎上“引用次数在15000次以上的都是什么论文？”这一问题的经典回答，希望能帮助到各位进一步了解领域内的相关进展。并且通过阅读这些经典论文或许也会给您带来不少启发。
刚刚推出 1.3 正式版的 PyTorch 风头正劲，人们已经围绕这一深度学习框架开发出了越来越多的工具。最近，一个名为 TorchCV 的计算机视觉模型框架站上了 GitHub 趋势榜。
【导读】既昨天推出七篇图像检索（Image Retrieval）文章，专知内容组今天又推出最近八篇图像检索相关文章，为大家进行介绍，欢迎查看! 1. Improving Deep Binary Embedding Networks by Order-aware Reweighting of Triplets（通过对三元组阶感知重加权来提高深层二进制嵌入网络） ---- ---- 作者：Jikai Chen,Hanjiang Lai,Libing Geng,Yan Pan 机构：Sun Yat-sen Uni
【导读】主题荟萃知识是专知的核心功能之一，为用户提供AI领域系统性的知识学习服务。主题荟萃为用户提供全网关于该主题的精华（Awesome）知识资料收录整理，使得AI从业者便捷学习和解决工作问题！在专知人工智能主题知识树基础上，主题荟萃由专业人工编辑和算法工具辅助协作完成，并保持动态更新！另外欢迎对此创作主题荟萃感兴趣的同学，请加入我们专知AI创作者计划，共创共赢！ 今天专知为大家呈送第七篇专知主题荟萃-自动文摘Automatic Summarization知识资料大全集荟萃 （入门/进阶/论文/课程/会议/
在机器学习带来的所有颠覆性技术中，计算机视觉领域吸引了业内人士和学术界最大的关注。
或许你第一个想弄明白的问题是人工智能(AI)，机器学习(ML)，深度学习(DL)三者的区别和联系，下图清晰明了地告诉你。 1. 什么是机器学习 从小学开始，我们便一直和「函数」打交道，比如一条直线
本文 转自“火光摇曳”博客：语义分析的一些方法(三)，主要论述了基于深度学习方法的图像语义分析，包括图片分类、图片搜索、图片标注（image2text、image2sentence），以及训练深度神经网络的一些tricks，并介绍语义分析方法在腾讯广点通上的实际应用。以下为全文内容： 3 图片语义分析 3.1 图片分类 图片分类是一个最基本的图片语义分析方法。 基于深度学习的图片分类 传统的图片分类如下图所示，首先需要先手工提取图片特征，譬如SIFT, GIST，再经由VQ coding和Spatial p
，【导读】人工智能研究专家Flood Sung针对近几年深度学习的研究进展提供了一个非常详细的阅读清单。如果你在深度学习领域是一个新手，你可以会想知道如何从哪篇论文开始阅读学习，人工智能研究专家Flood Sung制定了这一份详细的paper list，包括深度学习历史和基础知识、深度学习方法（涉及模型、优化、无监督学习、RNN、深度强化学习等）、深度学习应用（自然语言处理、目标检测、视觉跟踪、图像描述生成、机器翻译、机器人、目标分割等），建议你收藏，仔细学习。 Github 地址： https://git
【新智元导读】谷歌今天宣布开源 TensorFlow 高级软件包 TF-Slim，能使用户快速准确地定义复杂模型，尤其是图像分类任务。这不由让人想起 Facebook 上周开源“从像素级别理解图像”的计算机视觉系统。不管怎么说，在计算机视觉方面，强大的工具又多了。下文是官方博文翻译。 今年早些时候，我们发布了图像分类模型 Inception V3 在 TensorFlow 上的运行案例。代码能够让用户使用同步梯度下降用 ImageNet 分类数据库训练模型。Inception V3 模型的基础是一个叫做 T
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/zhangjunhit/article/details/53261053
欢迎来到《每周CV论文推荐》。在这个专栏里，还是本着有三AI一贯的原则，专注于让大家能够系统性完成学习，所以我们推荐的文章也必定是同一主题的。
来源：汉斯出版社本文约3400字，建议阅读5分钟总结梳理了知乎上“引用次数在15000次以上的都是什么论文？”这一问题的经典回答。 前言 小编在这里总结梳理了知乎上“引用次数在15000次以上的都是什么论文？”这一问题的经典回答，希望能帮助到各位进一步了解领域内的相关进展，并且通过阅读这些经典论文或许也会给您带来不少启发。 1. 机器学习领域 我来列举一些机器学习(Machine Learning)领域的高被引文章。 机器学习领域泰斗级学者Geoffrey Hinton的文章引用: 引用次数超过150
编者按：新手上路都会有一个疑问，如果自己没有相关基础，如何学习晦涩的专业知识？此前雷锋网编译了《从0到1：我是如何在一年内无师自通机器学习的？》，这篇文章讲述了 Per Harald Borgen 的自学历程。而关于深度学习，GitHub的 songrotek 同样有话要说。原文名为《Deep Learning Papers Reading Roadmap》，雷锋网奕欣及老吕IO整理编译，未经许可不得转载。 0. 深度学习的“圣经” 提到入门级的书，就不得不提这一本 Bengio Yoshua，Ian J.
目标检测和深度学习 入门学习 计算机视觉：让冰冷的机器看懂这个多彩的世界 by 孙剑 [http://www.msra.cn/zh-cn/news/features/computer-vision-2
AI 研习社：本文接“126篇殿堂级深度学习论文分类整理 从入门到应用（上）”，是该整理的下半部分，即应用篇；按照各应用领域对论文进行分类。 3 应用 3.1 自然语言处理 (NLP) █[1] Antoine Bordes, et al. "Joint Learning of Words and Meaning Representations for Open-Text Semantic Parsing." AISTATS(2012) [pdf] ★★★★ 地址：https://www.hds.utc.f
1 深度学习历史和基础 1.0 书籍 █[0] Bengio, Yoshua, Ian J. Goodfellow, and Aaron Courville. "Deep learning." An MIT Press book. (2015). [pdf] (Ian Goodfellow 等大牛所著的教科书，乃深度学习圣经。你可以同时研习这本书以及以下论文) ★★★★★ 地址：https://github.com/HFTrader/DeepLearningBook/raw/master/DeepLearn
译者 | 林椿眄 出品 | 人工智能头条（公众号ID：AI_Thinker） 在过去的几年里，作为机器学习和统计学习的子领域，深度学习已经在诸多领域取得了令人印象深刻的突破。鲁棒性的开源工具、云计算以及大量可用的数据是深度学习能够取得成功的重要基石。下面，我们列出2018年度十大深度学习论文： ▌1.Deep Learning, by Yann L., Yoshua B. & Geoffrey H. (2015) (Cited: 5,716): 深度学习是一种由多个处理层组成的计算模型，它能够学习数据的多
本文介绍了卷积神经网络在计算机视觉领域的应用，包括图像分类、目标检测、语义分割、姿态估计等任务。同时，本文还介绍了如何使用卷积神经网络对图像中的语义信息进行建模，并针对具体任务设计相应的网络结构和损失函数。最后，本文对卷积神经网络的发展趋势和未来研究方向进行了展望。
从全局到枝干、从经典到前沿、从理论到应用、还有最新的研究…，所有你不需要的需要的，现在不需要的未来需要的，你不需要的周边小伙伴需要的…反正全都在这了。拿走不谢，就在AI科技大本营。
【导读】机器学习领域顶尖学术会议——神经信息处理系统进展大会（Advances in NeuralInformation Processing Systems，NIPS），就是放在整个计算机科学界，也是数一数二的顶级学术会议。今年的NIPS将于 12 月份在美国长滩举行，本届NIPS共收到 3240 篇论文投稿，录用 678 篇，录用率为 20.9%；其中包括 40 篇口头报告论文和 112 篇 spotlight 论文。微软共中了16篇论文，其中微软亚洲研究院有4篇，Google有23篇。清华大学，今年共
从全局到枝干、从经典到前沿、从理论到应用、还有最新的研究...，所有你不需要的需要的，现在不需要的未来需要的，你不需要的周边小伙伴需要的...反正全都在这了。拿走不谢，就在AI科技大本营。 整理 | AI科技大本营（rgznai100） 参考 - https://zhuanlan.zhihu.com/p/23080129 对于大多数想上手深度学习的小伙伴来说，“我应当从那篇论文开始读起？” 这是一个亘古不变的话题。 而对那些已经入门的同学来说，了解一下不同方向的论文，也是不时之需。 有没有一份完整的深度
人的骨架是什么？相信没有谁比我们自己更了解我们身体的构造了。通俗地说，人骨架框架包括六个部分——头部、左手、右手、躯干、左脚和右脚。
这是一个与图神经网络相关的资源集合，相关资源可以在底部点击【阅读原文】再点击对应链接跳转查看。
VGG名字来源于Visual Geometry Group, Department of Engineering Science, University of Oxford。它是由Karen Simonyan & Andrew Zisserman2015年发表在论文《Very Deep Convolutional Networks for Large-Scale Image Recognition》中，并在2014年获得ImageNet Challenge中图像定位一等奖和图像分类二等奖，提高了图像分类的精度。 VGGNet的主要特点在于： (1)网络很深； (2)卷积层中使用的卷积核很小，且都是3*3的卷积核。
欢迎关注“ 计算机视觉研究院 ” 计算机视觉研究院专栏 作者：Edison_G 节假日在家里整理资料，发现一篇很早之前阅读过的一篇paper，主要用贝叶斯优化器和结构化预测来提升目标检测的精度，今天和大家分享下这框架，有兴趣的同学可以在这条想法上继续衍生，提出更好的新想法新框架！ 扫码关注我们 公众号｜计算机视觉研究院 简介｜主要涉及深度学习领域，主要致力于人脸检测、人脸识别，多目标检测、目标跟踪、图像分割等研究方向。 一、前言&简要 基于深度卷积神经网络的目标检测系统最近在几个目标检测基准上取得了
卷积神经网络（或简称CNN）是提取“可学习特征”的常用方法。CNN在深度学习和神经网络的发展与普及中发挥了重要作用。
The M Tank 编辑了一份报告《A Year in Computer Vision》，记录了 2016 至 2017 年计算机视觉领域的研究成果，对开发者和研究人员来说是不可多得的一份详细材料。该材料共包括四大部分，在本文中机器之心对第一部分做了编译介绍，后续会放出其他部分内容。 内容目录 简介 第一部分 分类/定位 目标检测 目标追踪 第二部分 分割 超分辨率、风格迁移、着色 动作识别 第三部分 3D 目标 人体姿势估计 3D 重建 其他未分类 3D 总结 第四部分 卷积架构 数据集 不可分类的其他
选自The M tank 机器之心编译 参与：蒋思源、刘晓坤 The M Tank 编辑了一份报告《A Year in Computer Vision》，记录了 2016 至 2017 年计算机视觉领域的研究成果，对开发者和研究人员来说是不可多得的一份详细材料。该材料共包括四大部分，在本文中机器之心对第一部分做了编译介绍，后续会放出其他部分内容。 内容目录 简介 第一部分 分类/定位 目标检测 目标追踪 第二部分 分割 超分辨率、风格迁移、着色 动作识别 第三部分 3D 目标 人体姿势估计 3D 重建
The M Tank 编辑了一份报告《A Year in Computer Vision》，记录了 2016 至 2017 年计算机视觉领域的研究成果，对开发者和研究人员来说是不可多得的一份详细材料。该材料共包括四大部分，在本文中机器之心对第一部分做了编译介绍，后续会放出其他部分内容。
这篇文章整理出了机器学习、深度学习领域的经典论文。为了减轻大家的阅读负担，只列出了最经典的一批，如有需要，可以自己根据实际情况补充。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
即时通信 IM
对象存储
