📖 Papers

探索前沿，建立知识图谱

知识图谱

Knowledge Graph

📚 - 论文笔记

🏷️ - 研究领域

📅 - 最近更新

📑 All Papers

使用分类筛选研究领域，或直接搜索关键词。

Deep Residual Learning for Image Recognition

Computer Vision

残差学习通过让网络显式地去拟合“输出减输入”的残差函数，而不是直接拟合目标映射，使得 100 层以上的极深网络在优化上变得可训练，并在 ImageNet 等数据集上取得了远超以往的性能。

Very Deep Convolutional Networks for Large-Scale Image Recognition

Computer Vision

通过使用非常小的 \(3\times 3\) 卷积核并增加网络深度至 16-19 层，VGG 网络在 ImageNet 2014 挑战赛中取得分类和定位任务的第一、第二名，证明了网络深度是提升 CNN 性能的关键因素。

ImageNet Classification with Deep Convolutional Neural Networks

Computer Vision

使用深度卷积神经网络在 ImageNet 上取得突破性成果，开启了深度学习在计算机视觉领域的时代。

Machine Learning: Trends, Perspectives, and Prospects

作者从机器学习的本质问题出发，提出两个根本问题：

Attention Is All You Need

用自注意力替代 RNN/CNN，实现更高效的序列建模。