卷积神经网络研究综述Review of Convolutional Neural Network周飞燕金林鹏董军摘 要作为一个十余年来快速发展的崭新领域，深度学习受到了越来越多研究者的关注，它在特征提取和模型拟合上都有着相较于浅层模型显然的优势。深度学习善于从原始输入数据中挖掘越来越抽象的分布式特征表示，而这些表示具有良好的泛化能力。它解决了过去人工智能中被认为难以解决的一些问题。且随着训练数据集

论文题目：A Global Geometric Framework for Nonlinear Dimensionality Reduction非线性降维的全局几何框架科学家们在处理大量高维数据时，如全球气候模式、恒星光谱或人类基因分布等，经常会面临维度降低的问题：在高维观测过程中，发现隐藏在其中的有意义的低维结构。人脑在日常感知中也面临同样的问题，从高维感官输入中提取出30,000个听觉神经元或

论文题目：Mean Shift: A Robust Approach toward Feature Space Analysis论文来源:Mean Shift: A Robust Approach toward Feature Space Analysis翻译人：BDML@CQUT实验室Mean Shift: A Robust Approach toward Feature Space Analy

Clustering by fast search and find of density peaks基于快速搜索和密度峰发现的聚类方法Alex Rodriguez and Alessandro LaioCluster analysis is aimed at classifying elements in to categories on the basis of their similarit

论文题目：Focal Loss for Dense Object Detection论文来源：Focal Loss for Dense Object Detection摘要迄今为止，精度最高的目标检测器是基于R-CNN推广的两阶段方法，其中分类器应用于稀疏的候选对象位置集。相比之下，在可能的物体位置的规则，密集采样上应用的 one-stage 探测器具有更快和更简单的可能性，但迄今为止已经落后于

单幅图像基于暗通道先验的去雾Kaiming He, Jian Sun, and Xiaoou Tang, Fellow, IEEE摘要:在本篇论文中,我们提出了一种简单但是有效的图像先验条件——暗通道先验去从一幅输入图像中去雾。暗通道先验是一种对于大量户外有雾图像的统计结果，它最重要的一个观察结果是户外无雾图像的绝大部分区域包含某些像素的亮度值至少在某一个通道上是非常低的。结合这个先验条件与雾天图

深度学习YannLeCun, Yoshua Bengio & Geoffrey Hinton深度学习能够让多层处理层组成的计算模型学习多级抽象的数据的表达。这些方法极大地提高了语音识别，视觉目标识别，目标检测和许多其他领域（比如药物研究和基因学）的最新研究水平。深度学习使用反向传播算法来更新模型内部的表达上一层信息的参数，以此来从大量数据中发掘复杂的结构。深度卷积网络给图像、视频，语音处理

卷积神经网络研究综述Review of Convolutional Neural Network周飞燕金林鹏董军摘 要作为一个十余年来快速发展的崭新领域，深度学习受到了越来越多研究者的关注，它在特征提取和模型拟合上都有着相较于浅层模型显然的优势。深度学习善于从原始输入数据中挖掘越来越抽象的分布式特征表示，而这些表示具有良好的泛化能力。它解决了过去人工智能中被认为难以解决的一些问题。且随着训练数据集

【论文翻译】Deep Residual Learning for Image Recognition【论文来源】:Deep Residual Learning for Image Recognition【翻译人】：BDML@CQUT实验室2016 IEEE Conference on Computer Vision and Pattern Recognition2016 IEEE计算机视觉与模式识

【论文翻译】：Deep Residual Learning for Image Recognition【论文来源】：Deep Residual Learning for Image Recognition【翻译人】：BDML@CQUT实验室Deep Residual Learning for Image Recognition基于深度残差学习的图像识别2016 IEEE Conference on