awesome-deep-learning-papers

项目介绍：awesome-deep-learning-papers

项目背景

awesome-deep-learning-papers是一个不再维护的项目，整理了深度学习领域中2012年至2016年期间被引用最多的经典论文。虽然如今每天都有很多新的深度学习论文发表，项目的初衷是筛选出那些在研究领域中堪称“必读”的作品，而非提供海量的数据。

在该项目之前，已经有其他类似的整理，比如Deep Vision和Awesome Recurrent Neural Networks。该项目的发布为研究人员提供了一个总览深度学习研究的优秀起点。

项目内容

项目收录了2012至2016年间前100篇深度学习论文。为了保持项目的紧凑性与实用性，项目规定每添加一篇论文，须从“More Papers from 2016”部分中移除一篇，同时重要但未能进入前100的论文将列于*“More than Top 100”部分。此外，还包含“New Papers”和“Old Papers”*的附录部分，将最近6个月发表的论文与2012年以前的经典论文囊括其中。

论文选择标准

项目中的论文以以下标准甄选：

• 2016年：+60次引用
• 2015年：+200次引用
• 2014年：+400次引用
• 2013年：+600次引用
• 2012年及更早：+800次引用

项目更倾向于选择那些在多种研究中具有广泛应用价值的奠基性论文，而非应用导向的论文。具体选择标准还取决于论文对其他研究的影响力及其所在研究领域的稀缺性等。

贡献与协作

尽管此项目已不再维护，项目仍欢迎贡献者通过提交建议来完善内容。这包括推荐遗漏的论文、新发表的权威论文、关键研究者或内容的小错误等。项目为贡献者提供了完整的贡献指南，可以帮助新加入者顺利参与。

额外资源

团队提供了一些工具，如可以下载所有前100篇论文的脚本、收集所有作者名字的脚本以及对应的*.bib*文件以便使用。此外，他们也鼓励任何对统计研究有兴趣的开发者贡献代码。

分类

在内容方面，项目根据研究领域对论文进行了详细的分类，包括但不限于：

• 理解/泛化/迁移
• 优化/训练技术
• 无监督学习/生成模型
• 卷积神经网络模型
• 图像分割/目标检测
• 图像/视频等
• 自然语言处理/循环神经网络
• 语音/其他领域
• 强化学习/机器人学

这些分类帮助研究人员迅速找到自己感兴趣领域的经典论文，方便学习和参考。

结语

这个项目尽管已不再更新，但作为深度学习领域时效性极强的知识合集，依旧是众多研究新手和进阶者的启蒙陪伴。更新不易，亟待同好参与维护和发展，通过不断交流与协作，社区的智慧将在项目上不断积累与更新。