Mar, 2018

源于 AlexNet 的历史：深度学习方法的全面调查

PDF
TL;DR本文综述了深度学习方法的发展历程及其在图像处理、语音识别、智能控制等多个应用领域的优异表现，并讨论了深度学习方法中的各种高级技术，如深度神经网络、卷积神经网络、长短期记忆网络等。同时，本文还提供了近期开发的框架、软件开发工具以及评估数据集来帮助开发者实现和评估深度学习方法。
发现论文，激发创造
  • 深度学习模型综述与比较分析：CNN、RNN、LSTM、GRU

    本文综述了不同类型的深度学习模型，包括卷积神经网络、循环神经网络、生成模型、深度强化学习和深度迁移学习，探讨了它们的结构、应用、优点和局限性，并使用 IMDB、ARAS 和 Fruit-360 三个公共数据集分析了六个著名深度学习模型的性能差异：CNN、Simple RNN、LSTM、双向 LSTM、GRU 和双向 GRU。

    May, 2023

  • 深度学习：关键评估

    本文归纳了深度学习的历史、神经网络，针对五年来在语音识别、图像识别、游戏等领域中的进展，列举了十个深度学习的问题，并建议结合其他技术实现人工智能总体上的发展。

    Jan, 2018

  • 深度学习的选择性概述

    介绍了深度学习和神经网络模型（如卷积神经网络、递归神经网络、生成对抗网络）以及训练技术（如随机梯度下降、dropout、批量归一化）的统计学观点，强调了深度学习的新特征（包括深度和过参数化）及其实际和理论上的好处，同时探讨了深度学习的理论基础和最新研究成果；期望为新的统计研究提供一种思路。

    Apr, 2019

  • 揭示深度学习的前沿：塑造多样领域的创新

    通过综合研究文献，本文广泛探讨了深度学习在各个学科中的潜在应用，以及相关的优势和挑战，验证了深度学习在预测分析方面的准确性和优势，使其成为一种强大的计算工具。深度学习独立于训练数据，因此需要大量的数据进行有效的分析和处理。为了处理大量的医疗、科学、医疗保健和环境数据，可以利用诸如 LSTMs 和 GRUs 的门控架构。对于多模态学习，神经网络中的共享神经元和特定任务的专用神经元是必要的。

    Sep, 2023

  • 深度学习综述：架构、应用和最新趋势

    本文概述了深度学习的一些关键多层人工神经网络以及使用多智能体方法的新型自动体系结构优化协议；以及深度学习在异常行为检测、预测和预测分析、医学图像处理和分析、电力系统研究等应用领域的探索性调查。

    May, 2019

  • 深度学习与最新应用的调查

    综述了深度学习在计算机视觉、自然语言处理、时间序列分析和普适计算领域的最新模型以及其在解决各个领域问题中的有效性，并介绍了深度学习的基础知识、各种模型类型以及重要的卷积神经网络架构，并讨论了深度学习研究的挑战和未来方向。

    Mar, 2024

  • 深度学习图像分割技术理解

    本研究从分析角度探讨深度学习技术在图像分割领域的应用，以提升读者对各种图像分割方法内部机理的直观理解。

    Jul, 2019

  • 图上深度学习：一份综述

    该研究综述了将深度学习方法应用于普适图形数据的现有五类模型结构和训练策略：图循环神经网络、图卷积网络、图自编码器、图强化学习和图对抗方法，并提出了潜在的未来研究方向和应用领域。

    Dec, 2018

  • 计算机视觉中对抗攻击和防御的进展综述

    本文主要综述了计算机视觉领域使用最广泛的工具 —— 深度学习，以及该技术面临的对抗性攻击及其防御。此外，本文还提供了专业术语的简明定义，讨论了该领域的挑战和未来展望。

    Aug, 2021

  • 计算机视觉任务的深度学习综述

    本文旨在概述深度学习算法在计算机视觉领域的应用，包括图像分类，目标识别，图像提取和语义分割等方面，同时讨论了构建和训练深度神经网络面临的未来范围和挑战。

    Apr, 2018