趋势分析之卷积神经网络
卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一。
由于卷积神经网络能够进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invariant Artificial Neural Networks, SIANN）”。
对卷积神经网络的研究始于二十世纪80至90年代，时间延迟网络和LeNet-5是最早出现的卷积神经网络；在二十一世纪后，随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被大量应用于计算机视觉、自然语言处理等领域。
第一个卷积神经网络是1987年由Alexander Waibel等提出的时间延迟网络（Time Delay Neural Network, TDNN）。
TDNN是一个应用于语音识别问题的卷积神经网络，使用FFT预处理的语音信号作为输入，其隐含层由2个一维卷积核组成，以提取频率域上的平移不变特征。
卷积神经网络热度变化图
下面我们将用Trend analysis分析卷积神经网络领域内的研究热点。
（点击链接即可进入Convolutional Neural Networks Trend Analysis:
https:///topic/trend?query=Convolutional%20Neural%20Networks)
卷积神经网络长期以来是图像识别领域的核心算法之一，并在大量学习数据时有稳定的表现。
对于一般的大规模图像分类问题，卷积神经网络可用于构建阶层分类器（hierarchical classifier），也可以在精细分类识别（fine-grained recognition）中用于提取图像的判别特征以供其它分类器进行学习。
所以我们可以通过Trend analysis的分析挖掘结果发现，当前该领域的热点研究话题有feature extraction、speech recognition、face recognition、information retrieval、object recognition等。
有意思的是，根据Trend analysis我们发现卷积神经网络相关的热门话题中出现了Fire Spread，即火势蔓延。
这是因为监测火势蔓延变化的最佳手段是遥感技术，而卷积神经网络在遥感科学，尤其是卫星遥感中有广泛应用。
在解析遥感图像的几何、纹理和空间分布特征时，卷积神经网络在计算效率和分类准确度方面均有明显优势。
依据遥感图像的来源和目的，卷积神经网络被用于下垫面使用和类型改变研究以及物理量，例如海冰覆盖率的遥感反演。
此外卷积神经网络被广泛用于遥感图像的物体识别和图像语义分割。
卷积神经网络除了被应用在图像识别领域和遥感科学领域外，还被广泛应用于物体识别、行为认知、姿态估计、神经风格转换、物理学、大气科学等领域。
其中，神经风格转换是卷积神经网络的一项特殊应用，其功能是在给定的两份图像的基础上创作第三份图像，并使其内容和风格与给定的图像尽可能地接近。
神经风格转换除进行艺术创作外，也被用于照片的后处理。
附一. 卷积神经网络领域5位代表学者
Tara N. Sainath
h-index: 34| #Paper: 145| #Citation: 10106 研究领域：
Parameter Estimation
Neural Networks
Belief Networks
Gradient Boosting
Kalman Filtering
Hang Li(李航)
h-index: 65| #Paper: 278| #Citation: 17063 研究领域：
Information Retrieval
Learning To Rank
Machine Learning
Data Mining
Abdel-Rahman Mohamed
h-index: 26| #Paper: 44| #Citation: 18214
研究领域：
Speech Recognition
Hidden Markov Model
Neural Network
Speech
Neural Nets
Yann LeCun
h-index: 115| #Paper: 343| #Citation: 102590
Neural Network
Feature Extraction
Neural Net
Pattern Recognition
Object Recognition
Xiaoou Tang (汤晓鸥)
h-index: 111| #Paper: 580| #Citation: 57155
研究领域：
Face Recognition
Feature Extraction
Computer Vision
Principal Component Analysis
Image Retrieval
附二. 卷积神经网络领域5篇代表论文
题目：ImageNet Classification with Deep Convolutional Neural Networks 会议/期刊：V olume 60, Issue 6, 2017, Pages 84-90.
年份：2017年
作者：Alex Krizhevsky, Ilya Sutskever, and Geoffrey E. Hinton.
引用量：26474
题目：Visualizing and Understanding Convolutional Neural Networks.
年份：2013年
作者：Matthew D Zeiler, and Rob Fergus.
引用量：3322
题目：Large-Scale Video Classification with Convolutional Neural Networks
会议/期刊：CVPR,, pp. 1725-1732, (2014)
年份：2014年
作者：Andrej Karpathy, George Toderici, Sanketh Shetty, Thomas Leung, Rahul Sukthankar, and Li Fei-Fei.
引用量：2907
题目：Convolutional Neural Networks for Sentence Classification
会议/期刊：EMNLP, (2014): 1746-1751
年份：2014年
作者：Yoon Kim
引用量：2676
题目：A Convolutional Neural Network for Modelling Sentences
会议/期刊：ACL, (2014): 655-665
年份：2014年
作者：Nal Kalchbrenner, Edward Grefenstette, and Phil Blunsom.
引用量：1618。