第一篇：Machine Learning: Algorithms, Real‑World Applications and Research Directions

阅读时间：2022-06-29

Abstract：

Keywords：

Article skeleton：

Facing the challenges

Conclusion

Personal feelings

Related images：

可以发现，深度学习适合处理大数据，而数据量比较小的时候，用传统机器学习方法也许更合适。

第二篇：Deep Learning: A Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions

阅读时间：2022-07-06

Abstract:

Keywords:

Article skeleton:

Facing the challenges:

Conclusion:

Personal feelngs:

Related images:

AI：将人的行为和智慧融入到机器或系统中。

ML：则是从数据或历史经验中学习的方法，实现分析模型的自动化构建。

DL：也是从数据中学习的方法，其中的计算是通过多层神经网络和处理完成的。

在深度学习方法论中，术语“深度”指的是对数据进行处理以构建数据驱动模型的多个层次或阶段的概念。

可见DL是“更聪明的人工智能”，也是AI的最前沿，所以说ML的地位是非常高的。

第三篇 卷积神经网络的发展及其在计算机视觉领域中的应用综述

阅读时间：2022-07-14

Abstract:

近年来,深度学习在计算机视觉、语音识别、自然语言处理和医疗影像处理等领域取得了一系列显著的研究 成果.在不同类型的深度神经网络中,卷积神经网络得到了最广泛的研究,这不仅体现在学术研究领域的繁荣,更体 现在对相关产业产生了巨大的现实影响和商业价值上.随着标注样本数据集的快速增长和图形处理器(GPU)性能 的大幅度提高,卷积神经网络的相关研究得到了迅速的发展,并在计算机视觉领域的各种任务中成效卓然.首先,回 顾了卷积神经网络的发展历史;其次,介绍了卷积神经网络的基本结构及各组件的作用;然后,详细描述了卷积神经网 络在卷积层、池化层和激活函数等方面的改进研究,总结了自１９９８年以来比较有代表性的神经网络架构:AlexNet, ZFＧNet,VGGNet,GoogLeNet,ResNet,DenseNet,DPN和SENet;在计算机视觉领域,重点介绍了卷积神经网络在图 像分类/定位、目标检测、目标分割、目标跟踪、行为识别和图像超分辨率重构等应用方面的最新研究进展;最后,对卷 积神经网络研究中亟待解决的问题与挑战进行了总结.

Keywords:

人工智能,深度学习,卷积神经网络,计算机视觉

Article skeleton:

Facing the challenges:

Conclusion:

Personal feelngs:

Related images:

第四篇 深度学习相关研究综述

阅读时间：2022-07-22

Abstract:

随着大数据时代的到来，深度学习技术已经成为当前人工智能领域的一个研究热点，其已在图像识别、语音识别、自然语言处理、搜索推荐等领域展现出了巨大的优势，并且仍在继续发展变化，为了能够及时跟踪深度学习技术的最新研究进展，把握深度学习技术当前的研究热点和方向，本文针对深度学习技术的相关研究内容进行综述。首先介绍了深度学习技术的应用背景、应用领域，指出研究深度学习技术的重要性;其次介绍了当前重要的几种神经网络模型及两种常用大规模模型训练并行方案，其目的在于从本质上理解深度学习的模型架构和及其优化技巧;接着对比分析了当下主流的深度学习软件工具和相关的工业界研究平台，旨在为神经网络模型的实际使用提供借鉴;最后详细介绍了当下几种主流的深度学习硬件加速技术和最新研究现状，并对未来研究方向进行了展望。

Keywords:

深度学习; 神经网络; 算法模型; 软件工具; 硬件加速

Article skeleton:

Facing the challenges:

Conclusion:

Personal feelngs:

Related images:

第五篇 卷积神经网络研究综述

阅读时间：2022-08-03

Abstract:

深度学习是包含多级非线性变换的层级机器学习方法，深层神经网络是目前的主要形式，其神经元间 的连接模式受启发于动物视觉皮层组织，而卷积神经网络则是其中一种经典而广泛应用的网络结构。卷积神经网络的局 部连接、权值共享及池化操作等特性使之可以有效地降低网络的复杂度，减少训练参数的数目，使模型对平移、扭曲、 缩放具有一定程度的不变性，并具有强鲁棒性和容错能力，且也易于训练和优化网络结构。基于这些优越的特性，它在 各种信号和信息处理任务中的性能优于标准的全连接神经网络。

本文首先概述了卷积神经网络的发展历史，然后分别描 述了神经元模型、多层感知器的结构。接着，详细分析了卷积神经网络的结构，包括卷积层、取样层、全连接层，它们 发挥着不同的作用。然后，讨论了网中网结构、空间变换网络等改进的卷积神经网络。同时，还分别介绍了卷积神经网 络的监督学习、无监督学习训练方法以及一些常用的开源工具。此外，本文以图像分类、人脸识别、音频检索、心电图 分类及目标检测等为例，对卷积神经网络的应用作了归纳。卷积神经网络与递归神经网络的集成是一个途径。为了给读 者以尽可能多的借鉴，本文还设计并试验了不同参数及不同深度的卷积神经网络以图把握各参数间的相互关系及不同参 数设置对结果的影响。最后，给出了卷积神经网络及其应用中待解决的若干问题。

Keywords:

卷积神经网络；深度学习；网络结构；训练方法；领域数据

Article skeleton:

第六篇 基于卷积神经网络的图像分类算法综述

阅读时间：2022-08-15

Abstract：

卷积神经网络（CNN）是目前基于深度学习的计算机视觉领域中重要的研究方向之一。它在图像分类和分割、目标检测等的应用中表现出色，其强大的特征学习与特征表达能力越来越受到研究者的推崇。然而，CNN仍存 在特征提取不完整、样本训练过拟合等问题。针对这些问题，介绍了CNN的发展、CNN经典的网络模型及其组件，并 提供了解决上述问题的方法。通过对CNN模型在图像分类中研究现状的综述，为CNN的进一步发展及研究方向提供了建议。

Keywords:

深度学习；卷积神经网络；图像分类；特征提取；过拟合

Article skeleton:

No.7 基于深度学习的目标检测研究综述

阅读时间：2022-09-28

Abstract:

目标检测是计算机视觉领域内的热点课题,在机器人导航、智能视频监控及航天航空等领域都有广泛的应用.本文首先综述了目标检测的研究背景、意义及难点,接着对基于深度学习目标检测算法的两大类进行综述,即基于候选区域和基于回归算法.对于第一类算法,先介绍了基于区域的卷积神经网络（Region with Convolutional Neural Network,R-CNN）系列算法,然后从四个维度综述了研究者在R-CNN系列算法基础上所做的研究:对特征提取网络的改进研究、对感兴趣区域池化层的改进研究、对区域提取网络的改进研究、对非极大值抑制算法的改进研究.对第二类算法分为YOLO（You Only Look Once）系列、SSD（Single Shot multibox Detector）算法及其改进研究进行综述.最后根据当前目标检测算法在发展更高效合理的检测框架的趋势下,展望了目标检测算法未来在无监督和未知类别物体检测方向的研究热点.

Keywords:

目标检测; 深度学习; 特征提取; 计算机视觉; 视频监控; 图像处理; 卷积神经网络;

Article skeleton:

Facing the challenges:

Conclusion:

Personal feelngs:

Related images:

In the end

阅读时间：2022-06-29