标签：
31、卷积神经网络及其在及其视觉中的应用（Convolutional Networks and applications in Vision）（英文，会议论文，2010年，IEEE检索）
文章对CNN的原理、结构介绍得比较详细，总结了卷积神经网络在很多方面的应用，并给出了CNN的无监督训练改进方案，做了大量对比实现，参考文献具有权威性。
32、卷积网络和非卷积网络的联合训练（Joint training of convolutional and non-convoltional neural networks）（英文，会议论文，2014年，IEEE检索）
文章主要介绍卷积神经网络在语音识别方面的应用，抽象借鉴卷积网络的深度结构。
33、稀疏滤波（Sparse Filtering）（英文，会议论文，2011年，EI检索）
稀疏滤波算法作为CNN训练无监督化的典型改进，这篇文章属于稀疏滤波算法的原始文献，并提到CNN与SVM相结合的想法，是CNN训练无监督化改进的必要参考文献。
34、使用无监督卷积神经网络的交通工具类型识别（Vehicle Type Classification Using Unsupervised Convolutional Neural Network）（英文，会议论文，2014年，IEEE检索）
这篇文章将卷积神经网络用于交通工具类型识别，属于老方法新问题。同时把卷积网络的无监督化改进讲述得十分清楚，使用稀疏滤波算法，打破了传统的BP规则限制，是Sparse Filtering方法的典型应用。
35、基于稀疏卷积神经网络的视觉目标分类（Visual object classification by sparse convolutional neural network）（英文，会议论文，2006年，google学术）
这篇文章可以说是稀疏卷积神经网络的最原始的文献，但并不详细，其中提到的卷积神经网络和目前研究的网络在结构上也有较大区别，在写论文时作为原始文献介绍一些即可。
36、基于半监督神经网络交通工具类型识别（Vehicle type classification using semi-supervised convolutional neural network）（英文，期刊，2012年，EI检索）
文章属于稀疏表示与CNN相结合的一篇文章，属于对CNN卷积核的改进，即在卷积核参数学习时采用稀疏拉普拉斯滤波器学习方法。
37、卷积神经网络详解（Note on convolutional neural network）（英文，不详，google学术）
这是CNN的一篇经典的基础性文章，对CNN基础的梯度下降法描述得很详细，并给出了两点关键性的编程建议，与DeepLearning的Matlab工具箱是配套的，唯一不足的是该文章没有正式发表，无从检索。
38、面向目标检测的稀疏表示方法研究进展（中文，期刊，2015年，知网）
介绍了稀疏表示在目标识别领域的应用，文章遵循“特征提取+分类器”的框架进行综述，先介绍目标特征学习，在介绍目标分类器，对稀疏表示的原理讲解得十分详细，例举文献充分。
39、基于小样本的卷积神经网络学习方法（Learning convolutional neural network from few samples）（英文，会议论文，2013年，EI检索）
这篇文章属于对卷积神经网络初始化方法的改进，即通过使用不同的初始化方法，使得CNN的训练开始于一个相对稀疏的、有利于收敛到全局最优的一个位置，从而实现小样本训练的快速收敛。
40、PCA预训练的卷积神经网络（中文，期刊，2016年，知网）
这篇文章也是卷积神经网络在卷积核初始化方面的改进，即在初始化卷积核时用PCA变换中的前几个特征向量组成的映射矩阵来代替，使得初始化的效率更高。同时文中提到了下采样是用到的概率最大化下采样方法，在参考文献中应该有更详细的介绍。最后就是文中有一张图很有参考价值。
标签：
原文地址：http://www.cnblogs.com/junling/p/4732296.html
