深度學習文獻閱讀筆記（6）

51、基於深度pca的人臉識別（face recognition using deep pca）（英文，會議**，2023年。ei檢索）

這篇文章是典型的pcanet的前身，僅僅只是相對於pcanet顯得更為簡化。

基本思想是做了雙層的pca對映，並且在對映過程中進行了zca白化。其訓練集的分類方法和對照實驗思路以及對實驗結果的描寫敘述值得借鑑。

52、深度人臉識別（deep face recognition）（英文。會議。

2023年，ei檢索）

這篇文章主要在講兩個問題：一是怎樣製備大的人臉資料集。二是怎樣設計更深層的cnn。

pcanet與svm相結合，在跌倒檢測方面的應用，並且對實驗結果的描寫敘述方式也值得借鑑。

54、基於全連線卷積神經網路的稀疏追蹤（visual tracking with fullu convolutional network）（英文，會議**。2023年，ei檢索）

將深度學習中卷積神經網路用於目標跟蹤。文章有兩個重要啟示：一是在對層間特徵進行融合時，有必要構建對應數量的對照實驗。用以驗證各層特徵所具有的獨特特性；二是用一種優化演算法對特徵map進行篩選。提高魯棒性提快速度。

55、改進的bp神經網路人臉識別演算法（face recognition algorithm based on improved bp neural network）（英文。會議。2023年。ei檢索）

使用gabor濾波器提取特徵，用pca 進行特徵降維，通過混沌演算法對傳統的bp神經網路進行優化，主要針對人臉影象中的光照干擾進行實驗。

56、2d-lda：基於統計學線性判別分析的影象識別方法（2d-lda:a statistical linear discriminant analysis for image matrix）（英文。期刊。2004。ieee）

這篇文獻是2dlda的最原始的文獻。在使用到2dlda時基本上須要參考到這篇文獻，其原理與2dpca的原理極其類似。

57、深度學習綜述（deep learning）（英文。期刊，2023年。nature）

這是一篇極具科普性質的深度學習綜述，由三位deeplearning領域的頂尖人物所寫，並發表在nature雜誌上。

全文差點兒沒有公式。用**結合的方式把深度學習模型的特點、訓練方式、常見問題、模型的發展、應用前景等問題描寫敘述得非常清楚，個人認為每乙個搞深度學習的研究人員在人們階段都用該好好看看這篇綜述文章。

58、神經網路七十年：回歸與展望（中文，期刊，2016。知網）

神經網路方面最新的一篇綜述，2023年發表。

因為自己在研究卷積神經網路。對於綜述中有關自編碼器和深度置信網路的內容都沒有大致研究。這篇綜述對神經網路最開始的方式以及原理表述得都非常清楚，閱讀完這篇文獻之後有乙個感想：儘管如今cnn相對於五六十年前的主要的神經網路模型已經被改的面目全非，但萬變不離其宗，其主要的神經元構造都是一樣的。

59、多層深度多度量學習影象集分類演算法（multi-manifold deep metric learning for image set classification）（英文，期刊。2016，cvpr）

這篇文章也算是對cnn的一種改進。對每一類單獨訓練乙個網路模型。然後在每一層都執行一次最大化類間誤差、最小化類內誤差的操作，其它方面則借用傳統的cnn，當中所用資料庫並不要求特別巨大，通俗的講。就是fisher+cnn。

60、基於影象集的區域性多層特徵度量學習人臉識別（localized multifeature metric learning for image-set-based face recognition）（英文，期刊。2016，ieee）

具體介紹了多層度量學習的概念，度量矩陣的學習類似於經典的fisher準則，多核空間抽象對映則暗含了深度學習（深層對映）的概念，仍有fisher+deep learning的影子，可歸屬於子空間深度化的研究範疇。