介绍了一种基于神经网络算法的计算机视觉和机器学习新方法，通过极小的感受野感知神经元构建深度神经网络来实现图像分类，相比于传统的方法显著提高识别性能

Feb, 2012

本文探讨了卷积神经网络在计算机视觉问题中的特征学习，主要关注 CNNs 和工程化表示（如 SIFT 和 HOG）之间的差异。

Jul, 2014

使用在线反向传播算法的多层感知机，通过增加隐藏层数、每层神经元的数量，并且利用数百个变形训练图片和图形加速卡等技术，仅有 0.35% 的误差率就可以在著名的 MNIST 手写数字基准测试上取得最佳结果。

Mar, 2010

本文介绍了一种基于突触剪枝和脉冲神经元结构的神经形态学计算机，其能够实现与深度神经网络相当的分类准确率，而且具有更高的能效和推理速度，在维持高吞吐量的同时能够达到节能的目的，并且使用反向传播算法进行指定和训练，使深度学习的算法能力与神经形态学处理器的效率相结合，从而更好地实现嵌入式人工智能的发展。

Mar, 2016

本文采用卷积神经网络 (ConvNets) 在需要时进行检索以提高检索精度和速度，证明了其适用于大规模图像检索任务中，具有领先的性能。

Jul, 2014

本文介绍了如何在最小化计算成本的同时，通过采用和组合最新技术创新来实现多类别物体检测任务的最先进准确度。设计原则是 “少通道多层”，采用了一些基本块，包括拼接 ReLU、Inception 和 HyperNet， 在 VOC2007 上达到 83.8％的 mAP，VOC2012 为 82.5％mAP（第 2 名），仅使用 Intel i7-6700K CPU 单核时，每张图像仅需 750ms，在 NVIDIA Titan X GPU 上为 46ms / 图像，其网络与 ResNet-101 相比，计算成本只需 12.3％。

Aug, 2016

本文通过对自然图像数据集 CIFAR10 的人工识别实验，与最新的深度神经网络进行了公平的比较，揭示了当前人工智能目标识别与人类识别能力之间的差距，同时提出了一种可用于评估和改进未来神经网络的新型 CIFAR10 分级子集。

Nov, 2018

本文旨在加速卷积神经网络（CNNs）的测试时间计算，特别是对计算机视觉领域产生重大影响的非常深的 CNNs。通过开发一种不需要随机梯度下降（SGD）的有效解决方案，解决产生的非线性优化问题，我们提出了一种新的非线性方法，在对多个层进行逼近时实现了一种不对称重建，以减少快速积累误差，并成功地在 Object detection 中实现了优雅的精度降级。

May, 2015

本论文探讨了如何使用共享的、独立于区域的卷积特征构建区域分类器网络，并发现深度和卷积的区域分类器对于物体检测特别重要，而最新的图像分类模型则不会直接导致良好的检测准确性，我们通过实验证明，尽管 ResNets 和 Faster R-CNN 系统是有效的，但 NoCs 的设计对于 ImageNet 和 MS COCO 2015 挑战赛的第一名入选至关重要。

Apr, 2015

本文提出了一种利用深度卷积神经网络学习特征进行文档图像分类和检索的最新技术，证实与手工制作的替代方法相比，能够更好地学习抽象特征，且具有压缩鲁棒性和跨领域迁移性，并在新的 IIT-CDIP 数据集中提供了 400,000 个文档图像用于深度学习。

Feb, 2015