计算机视觉领域三大顶级国际会议：
1. 国际计算机视觉和模式识别大会（Computer Vision and Pattern Recognition,CVPR）
2. 国际计算机视觉大会（International Conference on Computer Vision,ICCV）
3.欧洲计算机视觉大会（European Conference on Computer Vision,ECCV）
LeNet
用于字符识别
Alex-Net
使用ReLU激活函数；使用Dropout和数据增强减少过拟合；使用重叠的最大池化；LRN(Local Response Normalization)层，对局部神经元的活动创建竞争机制；CUDA训练加速；
在所有的卷积层和全连接层之后，都应用了ReLU非线性函数。首先第一和第二个卷积层都应用ReLU非线性函数，然后进行局部标准化，最后执行pooling操作方法。
数据增强使用的方法：镜像图像；随机裁剪原始图像；Dropout
VGG-Net
使用了更小的3*3卷积核和更深的网络，一方面可以减少参数，另一方面相当于进行了更多的非线性映射，可以增加网络的拟合/表达能力。VGG的作者认为两个3x3的卷积堆叠获得的感受野大小，相当一个5x5的卷积；而3个3x3卷积的堆叠获取到的感受野相当于一个7x7的卷积。这样可以增加非线性映射，也能很好地减少参数（例如7x7的参数为49个，而3个3x3的参数为27）
相比AlexNet的3x3的池化核，VGG全部采用2x2的池化核。
VGG网络第一层的通道数为64，后面每层都进行了翻倍，最多到512个通道，通道数的增加，使得更多的信息可以被提取出来。
残差网络ResNet
卷积神经网络的压缩
低秩近似：将一个权重矩阵表示为多个低秩矩阵的组合。
数据扩充
图像水平翻转、随机抠取、尺度变换、旋转、色彩抖动、Fancy PCA、监督式数据扩充
网络参数初始化
在卷积神经网络求解时，常采用批处理的随机梯度下降法（mini-batch SGD），不同批处理之间按照无放回抽样遍历所有样本，遍历一次训练样本称为“一轮epoch”。
Pooling汇合层：最大汇合、平均汇合、随机汇合