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。详细描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动编码器相结合的卷积自动编码器思想，属于对CNN卷积核的改进，并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）
激活函数采用Relu单元，CNN学习方法采用随机对角LM算法，并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的应用领域描述相对详细。
17、基于卷积神经网络的人脸性别识别（中文，期刊，2015年，知网）
激活函数采用Relu单元，对CNN的应用领域以及权值共享的细节信息描述得相对全面。
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是目前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）
这篇文章详细说明了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方面文章中必须参考的文献，多说无益，非常非常重要。
版权声明：本文为博主原创文章，未经博主允许不得转载。
原文地址：http://blog.csdn.net/u013088062/article/details/47668169
