深度學習文獻閱讀筆記（5）

如果覺得這篇文章對您有所啟發，歡迎關注我的公衆号，我會盡可能積極和大家交流，謝謝。 

　　41、基于卷積神經網絡的人臉注意力檢測（Predicting eye fixations using convolutional neural network）（英文，會議論文，2015年，CVPR）　　

　　屬于卷積神經網絡在顯著性檢測方面的典型應用，為直接借鑒，4個資料庫實驗，對CNN在輸入層面結構做了較大改動，屬于網絡結構創新，即如何将顯著性檢測轉化為CNN可以解決的問題，其樣本的處理思想值得借鑒。

　　42、稀疏認知學習、計算與識别的研究進展（中文，期刊，2015年，知網）

　　這是稀疏表示方面的綜述，但又融入了深度學習的思想（階層化結構模型），文章多次從生物神經視覺科學的角度來引出問題，其實文章重點仍是向階層化深度稀疏模型方面靠攏。

　　43、卷積神經網絡的深入探索（Going deeper with convolutions）（英文，會議論文，2015年，IEEE檢索）

　　這個文章主要介紹了googlenet在2014年ILSVRC的競賽情況，文章闡述了一個基本觀點：想提高準确度，就需要增大網絡尺寸和深度，但這種做法會直接導緻計算量的增加，是以需要對網絡結構進行稀疏化處理。順表介紹一下，這篇文章的作者是賈洋青，Caffe架構的編寫者。

　　44、基于塊組合稀疏表示與卷積神經網絡相結合的深度彩色物體識别（Learning block group sparse representation combined with convolutional neural networks for RGB-D object recognition）（英文，期刊，2014年，EI檢索）

　　将卷積神經網絡與稀疏表示結合起來，CNN用于底層的特征提取，稀疏表示用于上一層的特征提取，最後采用SVM進行分類，文章重點還是稀疏表示字典學習的介紹。

　　45、稀疏卷積神經網絡（Sparse convolutional neural networks）（英文，會議論文，2015年，IEEE檢索）

　　文章将卷積神經網絡與稀疏表示相結合，指出傳統的CNN由于映射的備援性，存在大量的零元素，使得計算相對緩慢，為此設計一種适合稀疏矩陣相乘的乘法規則，使得計算速度得到提高。文章并沒有在準确率上做改進，而是在計算速度、訓練參數上下功夫，準确率有所下降百分之一。同時在實驗分析上做了相當多的對比，如初始化操作對比，與低秩的對比等。

　　46、語音識别中線性修正單元作用（On Rectified Linear units For speech process）（英文，會議論文，2014，IEEE檢索）

　　主要講了Relu激活函數在語音識别中的應用，由于是語音識别，很多問題不是很清楚。

　　

　　47、基于視覺資訊的圖像特征提取算法（中文，學位論文，2013年，知網）

　　這篇文章對HMAX、LBP、SIFT描述得很詳細，典型的博士論文結構，使用了大量數學語言，自己的數學功底不夠，看不太懂。

　　48、基于卷積神經網絡的自适應車輛檢測（Domin Adaption of vehicle Detector based on convolutional neural network）（英文，期刊，2015年，EI檢索）

　　将卷積神經網絡用于車輛檢測，與之前的一篇行人檢測的論文很像，将CNN用于特征提取部分，并且将卷積核分為共享核和敏感核，并根據特征map之間的相似性，對其進行合并，減少map數量，去除備援；最後針對背景不同情況進行微調，訓練樣本并不是海量，平台用的matlab，希望能看到源碼。

　　49、PCANet：一個圖像分類的深度學習架構（PCANet：A simple Deep Learning Baseline for Image classification）（英文，期刊，2015年，IEEE檢索）

　　這篇文章給出兩點開創性的啟發：一是深度學習研究并不隻局限于卷積神經網絡，任何映射結構都具有建構深度結構的潛力（如LBP、PCA、LAD等）；二是深度學習的資料不一定必須海量，單人單樣本同樣可以做研究。

　　50、一個增強的2DPCA人臉識别算法（An improved 2DPCA algorithm for face recognition）（英文，會議論文，2009年，EI檢索）

　　這裡提出類内散度目标函數和類間散度目标函數相融合，并指出優化問題的求解是用拉格朗日乘子法來完成的。