1. Kaiming He 的 《Deep Residual Learning for Image Recognition》
了解残差网络。更深的网络有网络退化问题。有更多hidden layers的网络不如有中等数量hidden layers的网络。这不是由过拟合造成的。如果将最后几层恒等映射，更深的网络起码表现会和之前网络表现的一样好。说明神经网络拟合恒等映射很难。
残差网络通过在几层layers之间加一个短连接，使数据能够更顺利地传递， preconditioned ，使网络能够更容易实现恒等映射。
现在残差网络基本成为神经网络的标配，因为能够使网络更深。
2. Xavier Glorot 的 《Understanding the difficulty of training deep feedforward neural networks》
在分类问题中，交叉熵比quadratic cost function 好，更不易陷入平稳饱和（plateau）。
为了满足上面的条件，得到了normalized initialization 的公式如下，
normalized initialization有效解决了梯度消失/爆炸。
3. 《Quantum effect-based flexible and transparent pressure sensors with ultrahigh sensitivity and sensing density》
之前读过，但是这回关注点不一样，想看看在制造器件的时候能不能应用上EDA，就像设计模拟电路一样，发现这篇文章更多的是偏材料或者是物理建模。
基于Fowler-Nordheim隧穿效应，通过旋涂分散在PDMS 中极低浓度的海胆状空心碳球(UHCS)来制造具有超高灵敏度和感测密度的压力传感器。
4. Zhenan Bao 的《Microengineering Pressure Sensor Active Layers for Improved Performance》（粗读）
测试在柔性器件上分布金字塔形，圆柱形和立方体形的颗粒来制造压力传感器
5. 《A survey of skin-color modeling and detection methods》
这是一篇文献综述文章，列举了skin detection 的color space ，各种 skin-color classfier, 还有光线适应技术（这部分还没读）
1） 各个color space都有最适合的skin detector with comparable performance , 只要两个color space 之间存在可逆的转换。
2）BN classfier 适合 small-labeled dataset 的训练，下一阶段准备用Bayesian Network 来实现skin detection（或者直接对bdf区域进行detect）