通过给训练数据增加更多的图像变换、给测试时产生更多的预测和使用应用于更高分辨率图像的补充模型等多种技术，我们改进了目前基于深度卷积神经网络的图像分类流程，并在 Imagenet 大规模视觉识别挑战赛2013中获得了前五名，我们的系统分类错误率为13.55％，相对于上一年的获胜者，出现了超过20％的相对提高。

Dec, 2013

本文通过严格的评估探索了不同的深度学习架构，比较它们在公共领域的性能，并识别和披露了重要的实现细节，同时指出了CNN基础表示的几个有用属性，包括输出层维度可以显著降低而不会对性能产生不利影响，以及深浅层方法可以成功共享的方面。

May, 2014

本篇论文主要研究了如何利用适当分解卷积和激进的正则化等方法，使卷积神经网络计算效率最大化，并以ILSVRC2012分类挑战作为基准，报告了使用少于2500万参数的5亿乘加运算成本的网络，评估单帧评估的top-1误差21.2％和top-5误差5.6％的显著成果。

Dec, 2015

本文提出了一种残差学习框架，以优化超过VGG网络8倍深度的残差网络在ImageNet数据集上的分类任务，以及在COCO目标检测数据集上取得了28%的相对提升。

Dec, 2015

该研究论文探讨了计算机视觉问题中使用深度学习技术的发展趋势，着重介绍了卷积神经网络（CNNs）及其应用，帮助初学者了解何种深度网络适用于计算机视觉问题。

Jan, 2016

本研究从大数据方面对卷积神经网络进行了分析，并在单个和多个网络模型上提出了有效的融合机制，为大数据从业人员提供了最佳实践，从而在保持计算成本较低的情况下，在基准数据集上取得了最先进的结果。

Aug, 2016

本文探讨增加深度对神经网络性能提升的边际效益递减问题，提出一种更高效的残差网络结构并在图像分类和语义分割等领域实现了显著优越性能。

Nov, 2016

该论文提出了一种基于高级特征的协方差汇集方法，即Matrix Power Normalized Covariance (MPN-COV)，并在ImageNet上的测试中表现出了显著的成果，特别是在AlexNet，VGG-M和VGG-16的情况下，MPN-COV方法可以使性能提高超过3％，并且与ResNet-152相媲美。

Mar, 2017

该论文研究了在测试时具有计算资源限制的图像分类问题，并通过训练多个带有不同资源需求的分类器并将其作为早期退出引入单个深度卷积神经网络中以最大程度地重用计算，实现了在任意时间进行预测和分配不同的计算量来分类一组样本，框架显著改善了现有技术在两种情况下的表现。

Mar, 2017

在这篇论文中，我们全面考察并比较了不同的卷积神经网络架构，重点强调了它们的结构差异以及各自的优势、劣势、应用、挑战和未来趋势。

Feb, 2024