女生回应导师修改 3 万字论文。。。
女生回应导师修改 3 万字论文。。。
今天和大家分享的 3 篇深度学习方面的论文。
分别是：
- AlexNet
- AmoebaNet
- CapsNet
AlexNet
AlexNet是深度学习领域的一个重要里程碑，其论文全名为"ImageNet Classification with Deep Convolutional Neural Networks"，由Alex Krizhevsky, Ilya Sutskever, 和 Geoffrey E. Hinton三位作者共同完成。该论文最初在2012年提交至NIPS（现更名为NeurIPS，即神经信息处理系统会议）并获得了大量关注。
AlexNet主要聚焦于使用深度卷积神经网络（CNN）对ImageNet LSVRC-2010竞赛中的图像进行分类。ImageNet是一个大规模的视觉数据库，旨在用于视觉对象识别软件研究。在当时，该数据库已成为评估计算机视觉算法性能的重要基准之一。
AlexNet通过深层结构和卷积技术有效地提取图像特征，并通过ReLU非线性激活函数、dropout技术、数据增强等策略显著提高了训练速度和准确率。在处理图像任务时，这种网络架构展示了前所未有的性能，相比以往的方法实现了巨大的进步。
AmoebaNet
AmoebaNet是在一系列关于神经架构搜索的论文中被详细介绍的。具体到AmoebaNet的核心思想和实验结果，最直接相关的论文可能是《Regularized Evolution for Image Classifier Architecture Search》。
主要贡献
- 规则化进化算法： AmoebaNet引入了一种新颖的基于进化的神经架构搜索方法，该方法在搜寻网络架构时，更加高效和有效。
- 性能提升： 在ImageNet这样的大规模图像识别任务中，AmoebaNet展示了超越当时其他架构（包括人工设计和其他自动搜索生成的架构）的性能。
- 自动化设计： 强调了通过自动化方法设计深度学习模型的可行性和效率，推动了后续在自动化机器学习领域的研究。
CapsNet
CapsNet旨在解决传统卷积神经网络（CNNs）在处理图像时对空间关系理解不足的问题。CNN在许多视觉任务上表现出色，但往往忽略了对象部分之间的层级关系，如一个物体的姿态、方向变化对于CNN来说可能难以精确捕捉。CapsNet通过引入所谓的“capsules”——一组神经元，其中每个capsule尝试捕获图像中特定实体类型（例如物体的某个部分）的各种状态，并通过动态路由机制将这些信息传递到网络的更高层次，从而试图更好地保留实体的空间层次信息。
主要贡献
- 引入Capsules概念： Capsule是一种设计用来识别并保持实体部分之间相对位置关系的网络结构单元，它能够捕捉更复杂的内部关系，如姿态、大小等。
- 动态路由机制： 不同于传统的池化操作，CapsNet采用动态路由算法来决定数据如何在capsules间传递，以此强化了层间的联系和数据的有效流转。
- 提高了对形状和姿势变化的理解： 通过这种新颖的架构和路由机制，CapsNet在一定程度上改进了对图像中物体形状和姿态变化的识别能力，尤其是在需要精细分类和识别较小或重叠物体的场景中。
最后
整理了300篇深度学习方面的论文分享给大家，方便大家学习，文末获取~
