参考 · ApacheCN 深度学习译文集

## 参考 * [1] [P. Agrawal，R。Girshick和J. Malik。分析多层神经网络在物体识别中的性能。在ECCV，2014年。](file:///D:/papers/1407.1610/) * [2] [S.Amari。反向传播和随机梯度下降法。 Neurocomputing，5（4 - 5）：185“196,1993。](http://dx.doi.org/10.1016/0925-2312(93)90006-o) * [3] M. Andrychowicz，M。Denil，S。G“mez，M。W. Hoffman，D。Pfau，T。Schaul和N. de Freitas。通过梯度下降学习通过梯度下降学习。在NIPS中， 2016年 * [4] [L. J. Ba，R。Kiros和G. E. Hinton。图层规范化。 arXiv，1607.06450,2016。](file:///D:/papers/1607.06450/) * [5] [C. L. Baker和I. Mareschal。处理视觉皮层中的二阶刺激。脑研究进展，134：171“91，2001。](http://dx.doi.org/10.1016/s0079-6123(01)34013-x) * [6] [D. Bau，B。Zhou，A。Khosla，A。Oliva和A. Torralba。网络剖析：量化深度视觉表征的可解释性。在CVPR，2017年。](file:///D:/papers/1704.05796/) * [7] Y. Bengio，A。Courville和P. Vincent。代表性学习：回顾和新观点。 IEEE Transactions on Pattern Analysis and Machine Intelligence，35（8）：1798“1828,2013。 * [8] Y. Bengio，P。Lamblin，D。Popovici和H. Larochelle。深入网络的贪婪分层训练。在NIPS，2007年。 * [9] [Y. Bengio，P。Simard和P. Frasconi。学习具有梯度下降的长期依赖性是困难的。 IEEE Transactions on Neural Networks，5（2）：157“166,1994。](http://www.research.microsoft.com/~patrice/PDF/long_term.pdf) * [10] U. Bergmann，N。Jetchev和R. Vollgraf。学习具有周期性空间GAN的纹理流形。在ICML，2017年。 * [11] [C. Blakemore和G. Cooper。大脑的发育取决于视觉环境。自然，228：477“478,1970。](http://dx.doi.org/10.1038/228477a0) * [12] Y. Boureau，J。Ponce和Y. LeCun。视觉识别中特征汇集的理论分析。在ICML，2010年。 * [13] [R. M. Boynton和D. N. Whitten。猴子视锥细胞的视觉适应：记录晚期受体电位。科学，170（3965）：1423“1426,1970。](http://dx.doi.org/10.1126/science.170.3965.1423) * [14] [G. J. Brouwer和D. J. Heeger。人类视觉皮层中的交叉定向抑制。 Journal of Neurophysiology，（106）：2108“2119,2011。](http://jn.physiology.org/content/jn/106/5/2108.full.pdf) * [15] [J. Bruna和S. Mallat。不变散射卷积网络。 IEEE Transactions on Pattern Analysis and Machine Intelligence，35：1872“1886,2013。](file:///D:/papers/1203.1513/) * [16] [A. E. Bryson，W。F Denham和S. E. Dreyfus。不等式约束的最优编程问题。 AIAA，11：2544“2550,1963。](http://dx.doi.org/10.2514/3.2107) * [17] N. Buduma和N. Locascio。深度学习的基础知识：设计下一代机器智能算法。 O“Reilly Media，2017。 * [18] [M. Carandini。什么简单和复杂的细胞计算。 The Journal of Physiology，577：463“466,2006。](http://onlinelibrary.wiley.com/doi/10.1113/jphysiol.2006.118976/pdf) * [19] [M. Carandini和D. J. Heeger。归一化作为规范神经计算。自然评论。神经科学，13：51“62,2011。](http://europepmc.org/articles/pmc3273486?pdf=render) * [20] [J. Carreira和A. Zisserman。 Quo vadis，动作识别？一个新的模型和动力学数据集。在CVPR，2017年。](file:///D:/papers/1705.07750/) * [21] [T. H. Chan，K。Jia，S。Gao，J。Lu，Z。Zeng和Y. Ma。 PCANet：图像分类的简单深度学习基准？交易图像处理，24：5017“5032,2015。](file:///D:/papers/1404.3606/) * [22] [K. Chatfield，V。Lempitsky，A。Vedaldi和A. Zisserman。魔鬼在细节中：对最近的特征编码方法的评估。在BMVC，2011年。](http://www.bmva.org/bmvc/2011/proceedings/paper76/paper76.pdf) * [23] [K. Chatfield，K。Simonyan，A。Vedaldi和A. Zisserman。细节中的魔鬼回归：深入研究卷积网。在BMVC，2014年。](http://www.bmva.org/bmvc/2014/files/abstract054.pdf) * [24] [L. C. Chen，G。Papandreou，I。Kokkinos，K。Murphy和A. L. Yuille。 DeepLab：使用深度卷积网络，Atrous卷积和完全连接的CRF进行语义图像分割。 arXiv，1606.00915,2017。](file:///D:/papers/1606.00915/) * [25] [M. Cimpoi，S。Maji，I。Kokkinos，S。Mohamed，和A. Vedaldi。在野外描述纹理。在CVPR，2014年。](http://cvn.ecp.fr/personnel/iasonas/pubs/Texture_CVPR14.pdf) * [26] D-A。 Clevert，T。Unterthiner和S. Hochreiter。通过指数线性单元快速准确地进行深度网络学习。在ICLR，2016年。 * [27] A. Coates和A. Y. Ng。在深层网络中选择感知字段。在NIPS，2011年。 * [28] T. S. Cohen和M. Welling。可操纵的CNN。在ICLR，2017年。 * [29] [J. Dai，H。Qi，Y。Xiong，Y。Li，G。Zhang，H。Hu和Y. Wei。可变形卷积网络。在ICCV，2017年。](file:///D:/papers/1703.06211/) * [30] [N. Dalal和B. Triggs。用于人体检测的定向梯度的直方图。在CVPR，2005年。](http://www.acemedia.org/aceMedia/files/document/wp7/2005/cvpr05-inria.pdf) * [31] P. Dayan和L. F. Abbott。理论神经科学：神经系统的计算和数学建模。麻省理工学院出版社，2005年。 * [32] [A. Dobbins，S。W. Zucker和M. S. Cynader。视觉皮层中的Endstopped神经元作为计算曲率的基质。 Nature，329：438“441,1987。](http://dx.doi.org/10.1038/329438a0) * [33] [J. Donahue，L。A. Hendricks，M。Rohrbach，S。Venugopalan，S。Guadarrama，K。Saenko和T. Darrell。用于视觉识别和描述的长期循环卷积网络。 IEEE模式分析和机器智能交易，39（4）：677“691,2017。](file:///D:/papers/1411.4389/) * [34] J. Duchi，E。Hazan和Y. Singer。用于在线学习和随机优化的自适应子梯度方法。 Journal of Machine Learning Research，12：2121“2159,2011。 * [35] A. Dundar，J。Jin和E. Culurciello。用于无监督学习的卷积聚类。 2016年ICLR研讨会。 * [36] [D. Eigen和R. Fergus。使用通用的多尺度卷积结构预测深度，表面法线和语义标签。在ICCV，2015年。](file:///D:/papers/1411.4734/) * [37] D. Erhan，Y。Bengio，A。Courville和P. Vincent。可视化深层网络的高层功能。技术报告1341，蒙特利尔大学，2009年。 * [38] [L. Fei-Fei，R。Fergus和R. Perona。对象类别的一次性学习。 IEEE Transactions on Pattern Analysis and Machine Intelligence，28：594“611,2006。](http://vision.cs.princeton.edu/documents/Fei-FeiFergusPerona2006.pdf) * [39] [C. Feichtenhofer，A。Pinz和R. P. Wildes。基于时空显着性的动态编码动作。在CVPR，2015年。](http://dx.doi.org/10.1109/cvpr.2015.7298892) * [40] [C. Feichtenhofer，A。Pinz和R. P. Wildes。用于视频动作识别的时空残留网络。在NIPS，2016年。](http://dx.doi.org/10.1109/cvpr.2017.787) * [41] [C. Feichtenhofer，A。Pinz和R. P. Wildes。用于视频动作识别的时空乘数网络。在CVPR，2017年。](http://dx.doi.org/10.1109/cvpr.2017.787) * [42] [C. Feichtenhofer，A。Pinz和R. P. Wildes。用于动态场景识别的时间残差网络。在CVPR，2017年。](http://dx.doi.org/10.1109/cvpr.2017.786) * [43] [C. Feichtenhofer和A. Zisserman。用于视频动作识别的卷积双流网络融合。在CVPR，2016年。](file:///D:/papers/1604.06573/) * [44] [J. Feng和T. Darrell。学习深度卷积网络的结构。在ICCV，2015年。](http://dx.doi.org/10.1109/iccv.2015.315) * [45] [S. Fidler，G。Berginc和A. Leonardis。对象结构通用部分的分层统计学习。在CVPR，2006年。](http://www.mobvis.org/publications/fidlerCVPR06.pdf) * [46] [S. Fidler，M。Boben和A. Leonardis。用于对象分类的基于相似度的跨层次分层表示。在CVPR，2008年。](http://dx.doi.org/10.1109/cvpr.2008.4587409) * [47] [S. Fidler和A. Leonardis。走向对象类别的可扩展表示：学习部分层次结构。在CVPR，2007年。](http://vicos.fri.uni-lj.si/data/alesl/cvpr07fidler.pdf) * [48] [J.Freeman，C.M。Ziemba，D.J。Heeger，E。P. Simoncelli和A. J. Movshon。灵长类动物第二视觉区域的功能和感知特征。 Nature Neurosience，16：974“981,2013。](http://europepmc.org/articles/pmc3710454?pdf=render) * [49] [K. Fukushima。 Neocognitron：一种用于模式识别机制的自组织神经网络模型。生物控制论，36：193“202，1980。](http://dx.doi.org/10.1007/978-3-642-46466-9_18) * [50] [K. Fukushima。视觉模式识别中选择性注意机制的神经网络模型。日本的系统和计算机，18（1）：102“113，1987。](http://dx.doi.org/10.1002/scj.4690180110) * [51] [K. Fukushima和N. Wake。 neocognitron手写的字母数字字符识别。 IEEE Transactions on Neural Networks，2（3）：355“365,1991。](http://dx.doi.org/10.1109/72.97912) * [52] [R. Girshick。快速R-CNN。在ICCV，2015年。](http://dx.doi.org/10.1109/iccv.2015.169) * [53] [R. Girshick，J。Donahue，T。Darrell和J. Malik。丰富的要素层次结构，用于准确的对象检测和语义分割。在CVPR，2014年。](file:///D:/papers/1311.2524/) * [54] X. Glorot，A。Bordes和Y. Bengio。深度稀疏整流神经网络。在AISTATS，2011年。 * [55] [M. A. Goodale和A. D. Milner。用于感知和行动的独立视觉通路。神经科学趋势，15（1）：20“25,1992。](http://cognet.mit.edu/library/books/mitpress/0262024969/cache/chap12.pdf) * [56] I. J Goodfellow，Y。Bengio和A. Courville。深度学习。 MIT出版社，2016年。 * [57] I. J. Goodfellow，J。Pouget-Abadie，M。Mirza，B。Xu，D。Warde-Farley，S。Ozair，A。Courville和Y. Bengio。生成对抗网。在NIPS。 2014年 * [58] I. J. Goodfelow，D。Warde-Farley，M。Mirza，A。Courville和Y. Bengio。 Maxout网络。在NIPS，2013年。 * [59] T. L. Griffiths和Z. Ghahramani。无限的潜在特征模型和印度自助餐过程。在NIPS，2005年。 * [60] [I.哈吉和R. P. Wildes。一种用于动态纹理识别的时空导向能量网络。在ICCV，2017年。](file:///D:/papers/1708.06690/) * [61] K. He，G。Gkioxari，P。Dollar和R. Girshick。面具R-CNN。在ICCV，2017年。 * [62] [K. He，X。Zhang，S。Ren和J. Sun.用于视觉识别的深度卷积网络中的空间金字塔池。在ECCV，2014年。](file:///D:/papers/1406.4729/) * [63] [K. He，X。Zhang，S。Ren和J. Sun.深入研究整流器：超越图像网络分类的人性化表现。在ICCV，2015年。](file:///D:/papers/1502.01852/) * [64] [K. He，X。Zhang，S。Ren和J. Sun.深度残差学习用于图像识别。在CVPR，2016年。](file:///D:/papers/1512.03385/) * [65] D. O. Hebb。行为组织：神经心理学理论。威利，纽约，1949年。 * [66] D. J. Heeger。猫视皮层神经反应的非线性模型。在M. Landy和J.A. Movshon，编辑，视觉处理的计算模型，第9章，第119页“134.麻省理工学院出版社，剑桥，1991年。 * [67] [D. J. Heeger。猫条纹皮质中细胞反应的正常化。可见。 Neuro。，9（2）：181“197,1992。](http://dx.doi.org/10.1017/s0952523800009640) * [68] [G. E. Hinton，S。Osindero和Y-W。德。深度信念网的快速学习算法。神经计算，18（7）：1527“1554,2006。](http://www.cs.berkeley.edu/~ywteh/research/ebm/nc2006.pdf) * [69] [G. E. Hinton和R. R. Salakhutdinov。用神经网络降低数据的维数。科学，第504页“507，2006年7月。](http://dx.doi.org/10.1126/science.1127647) * [70] [S. Hochreiter和J. Schmidhuber。长期短暂记忆。神经计算，9（8）：1735“1780,1997。](http://dx.doi.org/10.1162/neco.1997.9.8.1735) * [71] [T. Hong，N。Kingsbury和M. D. Furman。具有复杂小波特征的生物启发物体识别系统。在ICIP，2011年。](http://www-sigproc.eng.cam.ac.uk/foswiki/pub/Main/NGK/Biological-like_Object_Recognition_System3_3_ngk5.pdf) * [72] [G. Huang，Z。Liu，L。Van der Maaten和K. Q. Weinberger。密集连接的卷积网络。在CVPR，2017年。](file:///D:/papers/1608.06993/) * [73] Y. Huang，K。Huang，L。Wang，D。Tao，T。Tan和X. Li。增强的生物灵感模型。在CVPR，2008年。 * [74] [D. H. Hubel和T. N. Wiesel。猫的视觉皮层中的感受野，双眼相互作用和功能结构。 The Journal of Physiology，160：106“154,1962。](http://onlinelibrary.wiley.com/doi/10.1113/jphysiol.1962.sp006837/pdf) * [75] [J. H. Jacobsen，J。V. Gemert，Z。Lou和A. W.M. Smeulders。 CNN中的结构化感受域。在CVPR，2016年。](file:///D:/papers/1605.02971/) * [76] M. Jaderberg，K。Simonyan，A。Zisserman和K. Kavukcuoglu。空间变压器网络。在NIPS，2015年。 * [77] [K. Jarrett，K。Kavukcuoglu，M。Ranzato和Y. LeCun。什么是对象识别的最佳多阶段架构？在ICCV，2009年。](http://yann.lecun.com/exdb/publis/pdf/jarrett-iccv-09.pdf) * [78] [Y. Jeon和J. Kim。主动卷积：学习卷积的形状以进行图像分类。在CVPR，2017年。](file:///D:/papers/1703.09076/) * [79] [H. Jhuang，T。Serre，L。Wolf和T. Poggio。一种生物启发的行动识别系统。在ICCV，2007年。](http://www.cs.tau.ac.il/~wolf/papers/action151.pdf) * [80] [S. Ji，W。Xu，M。Yang和K. Yu。用于人类行为识别的3D卷积神经网络。 IEEE Transactions on Pattern Analysis and Machine Intelligence，35：1915“1929,2013。](http://www.dbs.informatik.uni-muenchen.de/~yu_k/icml2010_3dcnn.pdf) * [81] Y. Jia，C。Huang和T. Darrell。超越空间金字塔：用于合并图像特征的接收场学习。在CVPR，2012年。 * [82] X. Jin，C。Xu，J。Feng，Y。Wei，J。Xiong和S. Yan。使用S形整流线性激活装置深度学习。在AAAI，2016年。 * [83] [D. A. Kaliukhovich和R. Vogels。分裂归一化预测猕猴下颞皮质中适应诱导的反应变化。 Journal of Neuroscience，（36）：6116“6128,2016。](http://www.jneurosci.org/content/jneuro/36/22/6116.full.pdf) * [84] [A. Karpathy，G。Toderici，S。Shetty，T。Leung，R。Sukthankar和L. Fei-Fei。卷积神经网络的大规模视频分类。在CVPR，2014年。](http://www.cs.cmu.edu/~rahuls/pub/cvpr2014-deepvideo-rahuls.pdf) * [85] K. Kavukcuoglu，M。Ranzato和Y. LeCun。稀疏编码算法中的快速推理以及对象识别的应用。技术报告CBLL-TR-2008-12-01，计算与生物学习实验室，Courant Institute，NYU，2008。 * [86] D. P. Kingma和J. L. Ba.亚当：随机优化的一种方法。在ICLR，2015年。 * [87] J. Koenderink和A. J. Van Doorn。本地无序图像的结构。国际计算机视觉杂志，31：159“168，1999。 * [88] [A. Krizhevsky，I。Sutskever和G. E. Hinton。深度卷积神经网络的Imagenet分类。在NIPS，2012年。](http://dl.acm.org/ft_gateway.cfm?id=3065386&type=pdf) * [89] [S. Lazebnik，C。Schmid和J. Ponce。超越功能包：用于识别自然场景类别的空间金字塔匹配。在CVPR，2006年。](http://hal.inria.fr/docs/00/54/85/85/PDF/cvpr06_lana.pdf) * [90] Y. LeCun，Y。Bengio和G. E. Hinton。深度学习。自然，521（7553）：436“444，2015。 * [91] [Y. LeCun，L。Bottou，Y。Bengio和P. Haffner。基于梯度的学习应用于文档识别。 IEEE会议录，86：2278“2324,1998。](http://www.cs.berkeley.edu/~daf/appsem/Handwriting/papers/00726791.pdf) * [92] Y. LeCun，J。S. Denker和S. A. Solla。最佳的脑损伤。在NIPS，1990年。 * [93] [Y. LeCun，K。Kavukcuoglu和C. Farabet。卷积网络和视觉应用。在ISCAS，2010年。](http://yann.lecun.com/exdb/publis/pdf/lecun-iscas-10.pdf) * [94] [C. Ledig，L。Theis，F。Huszar，J。Caballero，A。Aitken，A。Tejani，J。Totz，Z。Wang和W. Shi。使用生成对抗网络的照片般逼真的单图像超分辨率。在CVPR，2017年。](file:///D:/papers/1609.04802/) * [95] [C-Y。 Lee，P。Gallagher和Z. Tu。在卷积神经网络中推广汇集函数：混合，门控和树。在AISTATS，2016年。](http://dx.doi.org/10.1109/tpami.2017.2703082) * [96] M. Lin，Q。Chen和S. Yan。网络中的网络。在ICLR，2014年。 * [97] [F. Liu，C。Shen和G. Lin。用于深度估计的深度卷积神经场用于单个图像。在CVPR，2015年。](file:///D:/papers/1411.6387/) * [98] [J. Long，E。Shelhamer和T. Darrell。用于语义分割的完全卷积网络。在CVPR，2015年。](file:///D:/papers/1411.4038/) * [99] D. G. Lowe。从尺度不变的关键点获得独特的图像特征。国际计算机视觉杂志，60（2）：91“110,2004。 * [100] [S. Luan，b。 Zhang，C。Chen，X。Cao，J。Han和J. Liu。 Gabor卷积网络。 arXiv，1705.01450,2017。](file:///D:/papers/1705.01450/) * [101] S. Lyu。分裂归一化：作为有效编码变换的理由和有效性。在NIPS，2010年。 * [102] S. Lyu和E. P. Simoncelli。使用分裂归一化的非线性图像表示。在CVPR，2008年。 * [103] A. L. Maas，A。Y. Hannun和A. Y. Ng。整流器非线性改善了神经网络声学模型。在ICML，2013年。 * [104] [A. Mahendran和A. Vedaldi。通过反转它们来理解深度图像表示。在CVPR，2015年。](file:///D:/papers/1412.0035/) * [105] [A. Mahendran和A. Vedaldi。突出的反卷积网络。在ECCV，2016年。](http://dx.doi.org/10.1007/978-3-319-46466-4_8) * [106] M. Minsky和S. Papert。感知器：计算几何的介绍。麻省理工学院出版社，剑桥，马萨诸塞州，美国，1969年。 * [107] [P. Mishra和B. K. Jenkins。基于自然刺激适应滤波器的物体识别分层模型。在ICASSP，2010年。](http://dx.doi.org/10.1109/icassp.2010.5495294) * [108] [A. J. Movshon和E. P. Simoncelli。在灵长类视觉皮层中表现自然主义的图像结构。冷泉港数量生物学专题讨论会，79：115“122，2014。](http://symposium.cshlp.org/content/79/115.full.pdf) * [109] A. J. Movshon，I。D. Thompson和D. J. Tolhurst。了解当地竞争网络。 The Journal of Physiology，283：53“77，1978。 * [110] [J. Mutch和D. G. Lowe。具有稀疏的本地化特征的多类对象识别。在CVPR，2006年。](http://www.wisdom.weizmann.ac.il/~bagon/CVspring07/files/MulObjRecSpaLocFea.pdf) * [111] V. Nair和G. E. Hinton。整流线性单元改进了受限制的boltzmann机器。在ICML，2010年。 * [112] J. Y-H。 Ng，M。J. Hausknecht，S。Vijayanarasimhan，O。Vinyals，R。Monga和G. Toderici。超短片段：用于视频分类的深层网络。在CVPR，2015年。 * [113] [E. Oyallon和S. Mallat。用于对象分类的深度旋转平移散射。在CVPR，2015年。](file:///D:/papers/1412.8659/) * [114] A. Radford，L。Metz和S. Chintala。使用深度卷积生成对抗网络的无监督表示学习。在ICLR，2016年。 * [115] S. Reed，Z。Akata，X。Yan，L。Logeswaran，B。Schiele和H. Lee。生成对抗性文本到图像合成。在ICML，2016年。 * [116] [S. Ren，K。He，R。Girshick和J. Sun.更快的R-CNN：利用区域提案网络进行实时对象检测。在NIPS，2015年。](file:///D:/papers/1506.01497/) * [117] [M. Riesenhuber和T. Poggio。皮质中物体识别的层次模型。 Nature Neuroscience，2：1019“1025,1999。](http://dx.doi.org/10.1038/14819) * [118] S. Rifai，P。Vincent，X。Muller，X。Glorot和Y. Bengio。压缩自动编码器：特征提取期间的显式不变性。在ICML，2011年。 * [119] [A. Rodriguez-Sanchez，M。Fallah和A. Leonardis。视觉皮层和计算机视觉中的分层对象表示。 Comp的前沿。 Neuro。，9：142,2015。](http://journal.frontiersin.org/article/10.3389/fncom.2015.00142/pdf) * [120] [A. J. Rodriguez-Sanchez和J. K. Tsotsos。中间表示对2D形状检测建模的重要性：Endstopping和曲率调整计算。在CVPR，2011年。](http://dx.doi.org/10.1109/cvpr.2011.5995671) * [121] [A. J. Rodriguez-Sanchez和J. K. Tsotsos。在二维形状的分层表示中，endstopped和曲率调整计算的作用。 PLOS ONE，7（8）：1“13，08 2012\.](http://dx.doi.org/10.1371/journal.pone.0042058) * [122] F.罗森布拉特。感知器“感知和识别自动机。技术报告85-460-1，康奈尔航空实验室，1957。 * [123] F.罗森布拉特。神经动力学原理。 Spartan Books，华盛顿特区，美国，1962年。 * [124] [S.Ruder。梯度下降优化算法概述。 arXiv，1609.04747,2016。](file:///D:/papers/1609.04747/) * [125] [D. E. Rumelhart，G .E。 Hinton和R. J. Williams。通过反向传播错误来学习表示。 Nature，323：533“536,1986。](http://dx.doi.org/10.1038/323533a0) * [126] [O. Russakovsky，J。Deng，H。Su，J。Krause，S。Satheesh，S。Ma，Z。Huang，A。Karpathy，A。Khosla，M。Bernstein，A。C. C.伯格和L.费菲。 Imagenet大规模视觉识别挑战。国际计算机视觉杂志，115（3）：211“252,2015。](http://dspace.mit.edu/bitstream/1721.1/104944/1/11263_2015_Article_816.pdf) * [127] A. Santoro，S。Bartunov，M。Botvinick，D。Wierstra和T. Lillicarp。具有记忆增强神经网络的元学习。在ICML，2016年。 * [128] [D. Scherer，A。M“ller和S. Behnke。用于对象识别的卷积体系结构中的池化操作评估。在ICANN，2010年。](http://www.ais.uni-bonn.de/papers/icann2010_maxpool.pdf) * [129] I. Sergey和C. Szegedy。批量标准化：通过减少内部协变量偏移来加速深度网络训练。在ICML，2015年。 * [130] T. Serre，M。Kouh，C。Cadieu，U。Knoblich，G。Kreiman和T. Poggio。物体识别理论：灵长目视觉皮层腹侧前馈路径的计算和电路。技术报告，2005年。 * [131] [T. Serre，L。Wolf，S。Bileschi，M。Riesenhuber和T. Poggio。具有类皮质机制的鲁棒物体识别。 IEEE Transactions on Pattern Analysis and Machine Intelligence，29：411“426,2007。](http://www.cs.huji.ac.il/~daphna/course/CoursePapers/SerreEtAl%20PAMI2007.pdf) * [132] W. Shang，K。Sohn，D。Almeida和H. Lee。通过级联校正线性单元理解和改进卷积神经网络。在ICML，2016年。 * [133] K. Simonyan，A。Vedaldi和A. Zisserman。深层卷积网络：可视化图像分类模型和显着性图。在ICLR，2014年。 * [134] K. Simonyan和A. Zisserman。用于视频中动作识别的双流卷积网络。在NIPS，2014年。 * [135] K. Simonyan和A. Zisserman。用于大规模图像识别的非常深的卷积网络。在ICLR，2015年。 * [136] N. Srivastava，G。E. Hinton，A。Krizhevsky，I。Sutskever和R. Salakhutdinov。辍学：一种防止神经网络过度拟合的简单方法。机器学习研究期刊，15（1）：1929“1958,2014。 * [137] R. S. Sutton。反向传播和其他网络最速下降学习过程的两个问题。 1986年认知科学学会会议。 * [138] [C. Szegedy，W。Liu，Y。Jia，P。Sermanet，S。Reed，D。Anguelov，D。Erhan，V。Vanhoucke和A. Rabinovich。进一步深化卷积。在CVPR，2015年。](file:///D:/papers/1409.4842/) * [139] [D. Tran，L。Bourdev，R。Fergus，L。Torresani和M. Paluri。利用3D卷积网络学习时空特征。在ICCV，2015年。](file:///D:/papers/1412.0767/) * [140] [J. R. Uijlings，K。E. Sande，T。Gevers和A. W. Smeulders。选择性搜索对象识别。国际计算机视觉杂志，104（2）：154“171,2013。](http://www.science.uva.nl/research/publications/2011/vandeSandeICCV2011/vandesande_iccv2011.pdf) * [141] [P. Vincent，H。Larochelle，Y。Bengio和P-A。 Manzagol。使用去噪自动编码器提取和组合强大的功能。在ICML，2008年。](http://www.iro.umontreal.ca/~vincentp/Publications/denoising_autoencoders_tr1316.pdf) * [142] P. Vincent，H。Larochelle，I。Lajoie，Y。Bengio和P-A。 Manzagol。堆叠去噪自动编码器：使用局部去噪标准在深度网络中学习有用的表示。 Journal of Machine Learning Research，11：3371“3408,2010。 * [143] [L. Wang，Y。Qiao和X. Tang。使用轨迹汇集的深卷积描述符进行动作识别。在CVPR，2015年。](file:///D:/papers/1505.04868/) * [144] [L. Wang，Y。Xiong，Z。Wang，Y。Qiao，D。Lin，X。Tang和L. Van Gool。时间段网络：建立非常深的双流网络的良好做法。在ECCV，2016年。](file:///D:/papers/1608.00859/) * [145] [H. Wei和Z. Dong。 V4神经网络模型用于视觉显着性和区分形状的局部表示。在IJCNN，2014年。](http://dx.doi.org/10.1109/ijcnn.2014.6889392) * [146] P. Werbos。超越回归：行为科学中预测和分析的新工具。博士论文，哈佛大学，1974年。 * [147] [K. Woodbeck，G。Roth和H. Chen。 GPU上的视觉皮层：生物启发的分类器和特征描述符，用于快速识别。在CVPR研讨会上，2008年。](http://mplab.ucsd.edu/wp-content/uploads/CVPR2008/WorkShops/data/papers/142.pdf) * [148] [D. E. Worrall，S。J. Garbin，D。Turmukhambetov和G. J. Brostow。谐波网络：深度平移和旋转等效。在CVPR，2017年。](file:///D:/papers/1612.04642/) * [149] [R. A. Yeh，C。Chen，T。Y. Lim，A。G. Schwing，M。Hasegawa-Johnson和M. N. Do.用深层生成模型修复语义图像。在CVPR，2017年。](file:///D:/papers/1607.07539/) * [150] J. Yosinski，J。Clune，Y。Bengio和H. Lipson。深度神经网络中的特征如何可转移？在NIPS，2014年。 * [151] J. Yosinski，J。Clune，A。Nguyen，T。Fuchs和H. Lipson。通过深度可视化理解神经网络。在ICML研讨会上，2015年。 * [152] [M. D. Zeiler。 Adadelta：一种自适应学习率方法。 arXiv，1212.5701,2012。](file:///D:/papers/1212.5701/) * [153] M. D. Zeiler和R. Fergus。随机汇集用于深度卷积神经网络的正则化。在ICLR，2013年。 * [154] [M. D. Zeiler和R. Fergus。可视化和理解卷积网络。在ECCV，2014年。](http://cs.nyu.edu/~fergus/papers/zeilerECCV2014.pdf) * [155] [J. Zhang，Y。Barhomi和T. Serre。一种新的生物启发的彩色图像描述符。在ECCV，2012年。](http://serre-lab.clps.brown.edu/wp-content/uploads/2012/10/75760312.pdf) * [156] B. Zhou，A。Khosla，“。Lapedriza，A。Oliva和A. Torralba。物体探测器出现在深度场景中。在ICLR，2014年。 * [157] [B. Zhou，A。Khosla，A。Lapedriza，A。Oliva和A. Torralba。学习深层特征以进行判别性本地化。在CVPR，2016年。](file:///D:/papers/1512.04150/) * [158] [Y. Zhou，Q。Ye，Q。Qiu和J. Jiao。面向对象的响应网络。在CVPR，2017年。](file:///D:/papers/1701.01833/) * [159] C. Zzegedy，A。Toshev和D. Erhan。用于物体检测的深度神经网络。在NIPS，2013年。