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

本综述介绍了卷积神经网络（CNN）在计算神经科学中作为良好模型的特征，以及这些模型如何在理解和实验生物视觉方面提供启示，并讨论了在基本物体识别之外的视觉研究中使用 CNN 的新兴机会。

Jan, 2020

本文讨论了当前深度神经网络在计算机视觉领域的优势与劣势，并探讨了如何解决计算机视觉中所面临的组合爆炸问题。我们认为，当前的深度神经网络很难克服这个困难，因此需要重新思考我们评估算法性能的方法。

May, 2018

本文研究计算机视觉、深度神经网络（DNN）、人类视觉感知和无体系结构视觉学习之间的联系，并发现 DNN 计算可用于估计感知损失，并与有趣的理论观点一致，即人类感知的特性是视觉学习无体系结构的结果。

Jan, 2017

通过使用深度卷积神经网络模型，本文发现视觉系统中的不同神经约束可以导致视觉处理的不同阶段产生不同的表征模式，并预测小型脊椎动物的视网膜应执行非线性的特征检测计算，而大型动物的视网膜应当基本以线性方式编码视觉场景以响应广泛的刺激。

Jan, 2019

许多设备无法部署，普通对象的预训练数据集，以及潜在的偏见问题限制了大型预训练深度神经网络用于工业应用。本研究从太阳能电池片制造商的真实案例出发，构建了一个从零开始训练的神经网络，其参数更少、不依赖于第三方数据集，但性能与预训练深度神经网络相似。

Jan, 2022

通过使用计算机视觉和机器学习算法，作者建立了一个用于识别神经外科手术室中的手术工具的算法，该算法可以帮助追踪手术工具、减少手术废料和无用工具的开启，从而提高手术室的效率。

Dec, 2023

本文提出了一种新的 CNN 模型结构 ——CompNet，即复合卷积神经网络，用于处理既包含图像也包含设计特征的分类任务，结合使用图像的学习特征权重设计特征，以充分利用所有可用信息，并显著减少过拟合现象。对 LIDC 数据集进行实验验证并与类似方法进行比较，结果表明，该模型在分类任务中的表现优于其他方法。

Sep, 2022

ChainerCV 是一个旨在统一深度学习方法在计算机视觉中应用的软件库，支持多种神经网络模型和软件组件，可以用作计算机视觉研究的基线，包括目标检测和语义分割等任务。

Aug, 2017

本研究介绍了两种神经网络的概念视图，即多值视图和符号视图，并通过在 ImageNet 和 Fruit-360 数据集上的实验测试了其概念表达能力。此外，论文还展示了这些视图可以量化不同学习架构之间的概念相似度，并演示了如何将概念视图应用于从神经元中归纳学习人类可理解的规则，从而为全局解释神经网络模型做出贡献。

Sep, 2022