这是参考文献常用格式.
Cootes,T.F.,Edwards,G.J.和Taylor,C.J（作者人名,皆可不译）,1998年（合撰）,《主动表观模型》,（已收入）《欧洲第5届计算机视觉大会论文汇编》第2、第3卷（会议时间1998.6.2-6.6）
H.Burkhardt、B.Neumann,Eds（合著）,《计算机科学讲义》,第1,407卷,伦敦Springer Verlag出版公司（出版）,第484-498页
PCDC（Parameterizable Convolutional Dual-Cardinality network）不是一个特定的文件类型，而是一个卷积神经网络（CNN）模型结构的名称。PCDC网络是一种参数化的卷积神经网络架构，可以用于图像分类、物体检测、分割等计算机视觉任务。
PCDC网络结构是由学术研究者提出并命名的，它以卷积层和池化层的双重基数结构为特点。具体的PCDC网络结构可能会因为不同的研究论文而有所差异，但总体上都是由一些卷积层和池化层组合而成的深度神经网络。
在机器学习或计算机视觉领域，当提到PCDC时，通常是指该网络架构，而不是一个具体的文件。如果您遇到了一个以".pcdc"为扩展名的文件，那可能是特定软件或工具使用的特定文件格式，而不是与PCDC网络本身直接相关的文件。
我主要从结合论文阅读入门深度学习来介绍内容。
有两个事先说在前面，第一，想要阅读关于什么内容的论文，直接谷歌一下，你就能找到原始论文，第二，推荐收藏arXiv.org这个网站，深度学习论文一般都会第一时间发表在这个网站上。
目前推荐先熟悉数学相关的基础知识，比如函数里最基本的求导与积分，然后就是偏导数，梯度下降等。然后对于线性代数与概率统计也要熟悉熟悉。
有了一定的数学基础之后，可以尝试从寻找关于人工神经网络入门的资料学习，连接神经网络怎么进行误差反向传播的。
然后可以找来深度学习三巨头发表的Deep Learning这篇论文，好好研读。这里就涉及到了一个问题，你同时得英语也得好，因为目前主流的深度学习的论文，全是英文的。
再然后，你可以找来hinton的autoencoder的论文，然后使用代码自己实践实践，对深度学习基本概念有个大概了解。
到这里，深度学习基本上算是摸到了一点点门道了。深度学习目前主流的有三个方向，计算机视觉，自然语言处理，语音处理。我主要学习的方向是计算机视觉，其他两个方向不是太了解，我就以计算机视觉方向来讲解下怎么看论文与学习吧。
计算机视觉入门最经典的莫过于Lecun的mnist了，具体相关研究可以上Lecun主页找到介绍以及数据集和代码。自己可以尝试尝试构建个模型来进行mnist数据识别。通过这个实践后，一般就对计算机视觉方向最重要的工具卷积神经网络有一定的了解了。但是没完，这只是个开始，卷积神经网络这几年的发展就有一大堆论文可读，具体介绍可以关注我头条号，我之前文章有对此有过讲解，我在下面主要大致概括下。
卷积神经网络简称cnn，从最开始在计算机视觉方向使深度学习火爆的AlexNet，经过VggNet，GoogleNet，InceptionNet，以及ResNet，每一篇都是非常经典的文章。同时卷积神经网络在模型缩小化的一些论文，也值得阅读，比如Xception与MobileNet，以及最新的NasNet。
了解完神经网络结构发展史后，就需要选个方向去研究他们的研究发展过程了，目前计算机视觉比较热门的方向主要有人脸识别，目标检测，图像分类，图像分割，关键点检测，文字识别OCR等。
以目标检测为例，主要经历了R-CNN，Fast R-CNN，Faster R-CNN，YOLO，SSD等的发展，对应的每个网络也有一定的论文介绍，也建议仔细研读。
纯手打，希望喜欢，匿了匿了~
简单地说就是，深度学习虽然是未来的大方向，但是目前来说还不具备完全替代计算机视觉学习的条件。这个就有点像，我们都认为新能源汽车（电动车是目前的主流）会是未来的趋势，但是，目前为止，燃油车依然占有主导地位，电动车并不能取代燃油车。类似地，深度学习暂时不能够取代传统计算机视觉技术。一方面是我们的需求并不是非新技术不能满足，另外一方面是技术的成熟和普及需要时间。
一． 深度学习已成计算机视觉研究的标配
早在2016年的CVPR 2016上，深度学习就已然成为计算机视觉研究的基本选项。在涉及到人脸识别、图像识别、视频识别、行人检测、大规模场景识别的有关论文里都用到了深度学习的方法。除此之外，Google，Facebook这样的大企业亦有助力，深度学习相比其它的AI实现方法，呈现出碾压的态势。
二． 技术不是越先进越实用
传统计算计视觉技术通常采用滑动窗口的框架，把一张图分解成百万级数量的子窗口，再针对每个窗口使用分类器判断是否包含目标物体。
基于深度学习的物体检测的经典算法是RCNN系列，可以看成对海量滑动窗口分类，只是用全卷积的。深度学习可以做到传统方法无法企及的精度，这是最重要的一点。除此之外，深度学习通用性很强，获得的特征有很强的迁移能力，而且工程开发、优化、维护成本低。因此，毫无疑问的是，深度学习相比于传统的视觉技术有很明显的优势，这也是为什么深度学习被广泛应用于视觉研究之中。
但是，在实际应用中，根据我们的需求，我们需要综合多方面的因素决定技术路线的选择问题。比如说技术的成熟程度，适配工作，应用稳定性以及人才储备等等因素。技术再先进，如果不能使用好，那么就不能发挥出先进技术的优势，反而不能满足现实需求。
三． 新技术的成熟和推广需要时间
虽然深度学习是个很好的技术，但是新技术需要不断完善，最终成熟之后再大规模推广和应用。这是需要时间过程的。我们传统的技术还能满足一般需求，而新技术还需要时间进一步发展成熟并被更多组织和开发人员广泛选择，而不仅仅是研究人员。但是不管怎么说，深度学习已经成为一种趋势，相信取代传统技术也是不久的将来就会发生的事情。
对新技术的需求不紧迫，新技术的广泛应用需要时间，这就是深度学习暂时没有替代传统计算机视觉技术的主要原因。
就像你现在这样，你把问题改成当前互联网最前沿的技术是什么🤔
985免费论文网友情提示：本网站所有内容为共享上传提供，仅限学习分享，如产生版权问题，请联系我们及时删除！
Copyright © www.csmayi.cn Corporation, All Rights Reserved 共享时代 共享你我他 版权所有
