前言

小编在这里总结梳理了知乎上“引用次数在15000次以上的都是什么论文？”这一问题的经典回答，希望能帮助到各位进一步了解领域内的相关进展，并且通过阅读这些经典论文或许也会给您带来不少启发。

正文

1. 机器学习领域

我来列举一些机器学习(Machine Learning)领域的高被引文章。机器学习领域泰斗级学者Geoffrey Hinton的文章引用:

引用次数超过15000次文章有：

1. ImageNet Classification with Deep Convolutional Neural Networks，引用75231次（AlexNet，点燃了深度学习的热潮，因此2012年被认为是深度学习元年，当然要十分感谢ImageNet和GPU的加持）；
2. Learning internal representations by error-propagation & Learning representations by back-propagating errors，引用50716次（BP算法，殿堂级别的成果，几乎所有关于神经网络的文章都会用到BP算法）；
3. Deep learning，引用33222次（“三巨头”关于深度学习的综述文章）；
4. Dropout: a simple way to prevent neural networks from overfitting，引用24452次（Dropout是一种防止深度学习模型过拟合的正则化方法，目前已被Google申请专利，面对封锁，华为诺亚实验室开源了Disout算法，直接对标Google的Dropout）；
5. Visualizing data using t-SNE，引用16957次（t-SNE是一种流形学习方法，用于数据降维和可视化）。

Geoffrey Hinton谷歌学术引用次数

在机器学习领域还有一个泰斗级的人物Jürgen Schmidhuber，他的一篇文章Long short-term memory目前的引用量是40934次，是深度学习-循环神经网络(Recurrent Neural Network, RNN)中的重要成果。但是LeCun Y，Bengio Y和Hinton G在2015年发表在Nature上的文章Deep learning作者中没有Jürgen Schmidhuber，不过Schmidhuber在2015也发表了一篇关于深度学习的综述文章Deep learning in neural networks: An overview，目前的引用量是10917。

机器学习领域还有一些重要的成果，对应的文章也有不俗的引用量。比如：

• 一直被对比，从未被超越的Adam，目前的引用量是60604次；
• 使神经网络训练更快、更稳定的Batch normalization，目前的引用量是22986次；
• 避免深层网络训练时梯度消失或梯度爆炸的激活函数—线性整流函数ReLU（Rectified linear units improve restricted boltzmann machines），目前的引用量是11548次。
• Zisserman在2014年发表的关于VGGNet的文章Very deep convolutional networks for large-scale image recognition，目前的引用量是48691次。Google在2015年发表的关于GoogLeNet的文章Going deeper with convolutions，目前的引用量是26353次。何凯明2016年的文章Deep residual learning for image recognition，提出的多达152层ResNet，目前的引用量是63253次。2016年提出的用于目标检测的Faster R-CNN，目前的引用量是24215次。

来源：小牧牧（知乎）

https://www.zhihu.com/question/433702668/answer/1617092684

2. 计算机视觉领域

这里重点盘点一下AI领域，特别是CV方向的论文。

值得说一下，自从2012年，特别是2014年后，AI领域再度火爆，延续至今，很多优秀论文（特别是基于深度学习）也是发表在这个期间，引用量也迅速爆炸。

• 注：下面会边介绍作者，边介绍论文，侧重点有点不同。
  

计算机视觉领域引用量1.5万+的论文

Andrew Zisserman（传闻欧洲计算机视觉第一人）

第一篇引用量近5万的是：深度学习时代的经典backbone模型VGG：Very deep convolutional networks for large-scale image recognition

第二篇引用量近3万，这其实是一本书《Multiple view geometry in computer vision》，可称为深度学习时代前的CV必读之作（现在其实也强推，但不少新入坑CV的人，直接跳过这些基础知识，去玩CNN了）

Jitendra Malik

加州大学伯克利分校的电子工程与计算机科学系(EECS)教授 Jitendra Malik获颁 2019 年 IEEE 计算机先驱奖。

第一篇引用量近4万，算是12年之前人工智能最经典的书籍，内容覆盖范围相当之广。不过Jitendra Malik并非一二作，所以搜索该书的时候，不容易看到他的名字。第二篇引用量近1.7万，基于传统方法的图像分割代表作！

下面说说深度学习三巨头（Hinton、Bengio和LeCun）

Geoffrey Hinton

Hinton的代表作太多了，1.5万+引用量的论文见下图（6篇）。比如

第一篇引用量7.5万+，发表于2012年的AlexNet！永远滴神！第二篇引用量3.3万+，是为了纪念人工智能60周年，深度学习三巨头合作在Nature上发表深度学习的综述性文章：Deep Learning还有4篇破1.5万引用量的论文，这里不赘述，膜拜即可！

Yoshua Bengio

Bengio教授的代表作也太多了，1.5万+引用量的论文见下图（5篇）。比如：

第一篇上面说过了，是深度学习三巨头合著的。第二篇引用量3万+，这是和LeCun提出了当时风靡一时的字符识别器（当时就是典型落地应用）第三篇引用量2.5万+，这是和Goodfellow提出了鼎鼎大名的GAN！第四篇引用量2万+，这是和Goodfellow发布了深度学习时代的"圣经"书籍：Deep Learning，国内不少人又称为花书。

Yann LeCun

LeCun大佬的两篇破1.5万的工作，上面已经介绍了。

Luc Van Gool
Luc Van Gool 苏黎世联邦理工学院教授，据了解，有若干中国学生曾师从于他。
这篇近3万引用量就是非常著名的SURF算法。

上面提到SURF算法，就不得不提SIFT算法。

David Lowe

SIFT算法引用量近6万！其是手工特征时代的最具代表性工作！SURF、ORB在它面前都是弟弟，截止目前SIFT仍被广泛应用，相当能打！

Trevor Darrell
第一篇引用量近2万，鼎鼎大名的基于FCN的语义分割网络！第二篇引用量1.5万+，鼎鼎大名的R-CNN目标检测网络。

李飞飞（Li Fei-Fei）
李飞飞女神，创建了ImageNet数据集和相关赛事~ 影响力巨大。

上述主要是AI、CV领域的大前辈（年龄基本40+），这里重点介绍几位"新秀"：

何恺明（Kaiming He）
做CV的应该都听过何恺明，有鼎鼎大名的ResNet、Faster R-CNN、Mask R-CNN、Focal Loss、FPN和近期的MoCo等工作。

第一篇是目前CV主流使用的backbone：ResNet，永远滴神！第二篇是目标检测领域代表性网络：Faster R-CNN。
估计17年发表的Mask R-CNN 也快破1.5万引用量了。

Ross Girshick
他与何恺明算是合作搭档，都在FAIR工作，有不少合作的工作。
有鼎鼎大名的R-CNN系列工作，合作的有Caffe、Mask R-CNN、Focal Loss、FPN和YOLO等工作。

Ian Goodfellow
GAN 之父！下面三个工作都是目前顶级活跃的，比如GAN、Deep Learning书籍和TensorFlow框架。

任少卿（Shaoqing Ren）
Faster R-CNN一作！貌似现在不做研究了，主要在企业（目前在蔚来）担任技术主管/副总裁。

其实CV领域还有很多超1.5万的论文，限于篇幅这里就不一一盘点：

作者：BeyondSelf（知乎）

https://www.zhihu.com/question/433702668/answer/1624083551