标签：成功 编码 mil 重要 文章 相对 font 机器学习 第一个
12、深度学习的昨天、今天和明天（中文，期刊，2013年。知网）
记录了Hinton提出的两个重要观点：一是多隐层神经网络具有优异的特征学习能力，而是深度网络在训练上的难度可通过“逐层初始化”有效克服。
具体描写叙述了及机器学习的两次浪潮：浅层学习和深度学习，并指出深度学习研发面临的重大问题，属于一篇技术总结性文章。
13、基于卷积神经网络的植物叶片分类（中文，期刊，2014年。知网）、
主要讲述CNN的发展历史。
14、改进的深度卷积网络及在碎纸片拼接中的应用（中文。期刊。2014年，知网）
提出将卷积网络与自己主动编码器相结合的卷积自己主动编码器思想，属于对CNN卷积核的改进，而且应用于碎纸片拼接，老方法新问题。
15、卷积神经网络在喷码字符识别中的应用（中文。期刊，2015年，知网）
激活函数採用Relu单元。CNN学习方法採用随机对角LM算法，而且应用于喷码字符识别，老方法新问题。
16、基于卷积神经网络的手势识别初探（中文。期刊。2015年，知网）
对CNN的应用领域描写叙述相对具体。
17、基于卷积神经网络的人脸性别识别（中文。期刊。2015年。知网）
激活函数採用Relu单元。对CNN的应用领域以及权值共享的细节信息描写叙述得相对全面。
18、一种基于卷积神经网络的性别识别方法（中文。期刊，2014年。知网）
一般
19、深度学习的结构及算法综述（Preview on structures and algorithms of deep learning）（英文。会议论文。2014年，IEEE检索）
指出“CNN是眼下第一个真正成功的深度网络结构”。
20、基于卷积神经网络的图像分类（ImageNet Classification with Deep Convolutional Neural Networks）（英文，期刊，2012年，谷歌学术）
这篇文章具体说明了CNN在2012年的ImageNet大赛中一鸣惊人的实力，有CNN的权威专家撰写，基本上属于CNN方面文章中必须參考的文献，多说无益，很很重要。
标签：成功 编码 mil 重要 文章 相对 font 机器学习 第一个
原文地址：http://www.cnblogs.com/liguangsunls/p/7252533.html
