深度学习文献阅读笔记（5）

　　41、基于卷积神经网络的人脸注意力检测（Predicting eye fixations using convolutional neural network）（英文，会议论文，2015年，CVPR）　　

　　属于卷积神经网络在显著性检测方面的典型应用，为直接借鉴，4个数据库实验，对CNN在输入层面结构做了较大改动，属于网络结构创新，即如何将显著性检测转化为CNN可以解决的问题，其样本的处理思想值得借鉴。

 

　　42、稀疏认知学习、计算与识别的研究进展（中文，期刊，2015年，知网）

　　这是稀疏表示方面的综述，但又融入了深度学习的思想（层次化结构模型），文章多次从生物神经视觉科学的角度来引出问题，其实文章重点仍是向层次化深度稀疏模型方面靠拢。

 

　　43、卷积神经网络的深入探索（Going deeper with convolutions）（英文，会议论文，2015年，IEEE检索）

　　这个文章主要介绍了googlenet在2014年ILSVRC的竞赛情况，文章阐述了一个基本观点：想提高准确度，就需要增大网络尺寸和深度，但这种做法会直接导致计算量的增加，因此需要对网络结构进行稀疏化处理。顺表介绍一下，这篇文章的作者是贾洋青，Caffe框架的编写者。

 

　　44、基于块组合稀疏表示与卷积神经网络相结合的深度彩色物体识别（Learning block group sparse representation combined with convolutional neural networks for RGB-D object recognition）（英文，期刊，2014年，EI检索）

　　将卷积神经网络与稀疏表示结合起来，CNN用于底层的特征提取，稀疏表示用于上一层的特征提取，最后采用SVM进行分类，文章重点还是稀疏表示字典学习的介绍。

 

　　45、稀疏卷积神经网络（Sparse convolutional neural networks）（英文，会议论文，2015年，IEEE检索）

　　文章将卷积神经网络与稀疏表示相结合，指出传统的CNN由于映射的冗余性，存在大量的零元素，使得计算相对缓慢，为此设计一种适合稀疏矩阵相乘的乘法规则，使得计算速度得到提高。文章并没有在准确率上做改进，而是在计算速度、训练参数上下功夫，准确率有所下降百分之一。同时在实验分析上做了相当多的对比，如初始化操作对比，与低秩的对比等。

 

　　46、语音识别中线性修正单元作用（On Rectified Linear units For speech process）（英文，会议论文，2014，IEEE检索）

　　主要讲了Relu激活函数在语音识别中的应用，由于是语音识别，很多问题不是很清楚。

　　

　　47、基于视觉信息的图像特征提取算法（中文，学位论文，2013年，知网）

　　这篇文章对HMAX、LBP、SIFT描述得很详细，典型的博士论文结构，使用了大量数学语言，自己的数学功底不够，看不太懂。

 

　　48、基于卷积神经网络的自适应车辆检测（Domin Adaption of vehicle Detector based on convolutional neural network）（英文，期刊，2015年，EI检索）

　　将卷积神经网络用于车辆检测，与之前的一篇行人检测的论文很像，将CNN用于特征提取部分，并且将卷积核分为共享核和敏感核，并根据特征map之间的相似性，对其进行合并，减少map数量，去除冗余；最后针对背景不同情况进行微调，训练样本并不是海量，平台用的matlab，希望能看到源码。

 

　　49、PCANet：一个图像分类的深度学习框架（PCANet：A simple Deep Learning Baseline for Image classification）（英文，期刊，2015年，IEEE检索）

　　这篇文章给出两点开创性的启发：一是深度学习研究并不只局限于卷积神经网络，任何映射结构都具有构建深度结构的潜力（如LBP、PCA、LAD等）；二是深度学习的数据不一定必须海量，单人单样本同样可以做研究。

 

　　50、一个增强的2DPCA人脸识别算法（An improved 2DPCA algorithm for face recognition）（英文，会议论文，2009年，EI检索）

　　这里提出类内散度目标函数和类间散度目标函数相融合，并指出优化问题的求解是用拉格朗日乘子法来完成的。