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）；
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）；
Deep learning，引用33222次（“三巨头”关于深度学习的综述文章）；
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）；
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）。
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。
女神李飞飞构建的ImageNet是计算机视觉(Computer vision)领域非常著名的大型数据集，关于ImageNet的论文ImageNet: A large-scale hierarchical image database发表时间是2009年，目前的引用量是23395次，AlexNet就是在2012年ImageNet大规模视觉识别挑战赛(ILSVRC)上一举成名，自此点燃了深度学习的热潮，可见大规模数据对于深度学习的重要性。 经常被调侃“Money(GPU) Is All You Need”的文章Attention Is All You Need目前的引用量是15410次，这篇文章提出的Transformer是自然语言处理(NLP)领域的重要成果，它的出现迅速取代了LSTM在NLP领域的霸主地位，像BERT、GPT这样的SOTA模型均采用Transformer。NLP领域的另一个重量级成果是word2vec，作者是来自Google的Tomas Mikolov，关于word2vec的两篇文章Distributed representations of words and phrases and their compositionality和Efficient estimation of word representations in vector space目前的引用量分别是24323次和19220次（感谢@ccking的提醒），其实我一直觉得NLP比图像处理问题复杂的多，最让人头疼的莫过于如何将语言数字化，我对此的了解仅限于One-hot encoding，实在是太难了。 谷歌大神Ian Goodfellow的关于GAN的文章Generative adversarial nets目前的引用量是25592次，关于GAN究竟是谁提出来的我就不得而知了，但是Schmidhuber在这个问题上肯定有很多话要说，至于Schmidhuber究竟说了些啥，参见：郑华滨：从PM到GAN——LSTM之父Schmidhuber横跨22年的怨念（文字版）。 Hinton老爷子在2006年提出的深度置信网络(DBN)被普遍认为是深度学习的前夕，关于DBN的两篇文章A fast learning algorithm for deep belief nets和Reducing the dimensionality of data with neural networks的引用量分别是14370次和13659次，DBN是Hinton老爷子最引以为傲的成果，它是一种由多个限制玻尔兹曼机(RBM)堆栈而成的概率生成模型，是最初训练深度网络的一种方法，尽管目前深度学习模型不再需要这种预训练，但它的思想仍然影响着当前的研究工作。
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 HintonHinton老爷子的代表作太多了，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 BengioBengio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 LeCunLeCun大佬的两篇破1.5万的工作，上面已经介绍了。 Luc Van GoolLuc 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 LoweSIFT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 GoodfellowGAN 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：BeyondSelfhttps://www.zhihu.com/question/433702668/answer/1624083551著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 我梳理一下通信和图像处理方面，读过的一些经典的，超过15000引用的论文. 1. A Mathematical theory of communication引用次数：78680评价：开创了信息论，直接奠定了通信的发展，大名鼎鼎的香农三定理和熵的概念就是在这篇文章中提出的。没有它，就没有WiFi和5G，也没有我们刷着知乎听着歌 2. A combined coerner and edge detector引用次数：18167评价：提出了角点特征，能够检测图片中的角点、边缘和图片。是图像特征提取的代表作，是图像分割、匹配等的基础。 3. Distinctive image features from scale-invariant keypoints引用次数：59561评价：大名鼎鼎的SIFT特征，具有尺度、方向、仿射不变性，和上一篇论文的Haris特征一起，成为图像特征提取的两个最重要技术。 4. Object recognition from local scale-invariant features引用次数：20100评价：David Lowe的另一篇文章，说的是利用尺度不变特征来进行目标识别 5. Compressed Sensing引用次数：27557评价：压缩感知的代表作之一，将采样和压缩过程结合起来同时进行，直接对信号的稀疏性进行感知。 6. Robust Uncertainty Principles: Exact Signal Reconstruction From Highly Incomplete Frequency Information引用次数：16700评价：压缩感知的另一篇代表作 7. A new approach to linear filtering and prediction problems引用次数：35070评价：提出了著名的卡尔曼滤波。如果你没听说过卡尔曼滤波不要仅，但你一定点过外卖，打过滴滴，甚至美国阿波罗号上天也用过它，根据测量值和状态方程修正真实值，就是它干的事情， 8. A computational approach to edge detection引用次数：35942评价：边缘检测的另一篇代表作 9. Gradient-based learning applied to document recognition引用次数：32192评价：LeCun的经典论文，做过机器学习的都知道，没做过机器学习的也一般听说过MNIST数据集 作者：远处群山https://www.zhihu.com/question/433702668/answer/1622573162著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 引用一万五千次以上的论文相当罕见，基本上都属于开山之作，开创了某个中等或者大领域的作品。也可以说是养活了很多人的作品...现在深度学习的论文里15000次引用的挺多的，看到也有其他答主总结了，我就重点说下信号处理和图像处理的经典论文， 压缩感知的两篇开山之作：
Donoho D L. Compressed sensing[J]. IEEE Transactions on information theory, 2006, 52(4): 1289-1306. 27000次引用
Candès E J, Romberg J, Tao T. Robust uncertainty principles: Exact signal reconstruction from highly incomplete frequency information[J]. IEEE Transactions on information theory, 2006, 52(2): 489-509. 16000次引用
统计学习里大名鼎鼎的LASSO：
Tibshirani R. Regression shrinkage and selection via the lasso[J]. Journal of the Royal Statistical Society: Series B (Methodological), 1996, 58(1): 267-288. 引用35000次
Shi J, Malik J. Normalized cuts and image segmentation[J]. IEEE Transactions on pattern analysis and machine intelligence, 2000, 22(8): 888-905. 引用16000次
Perona P, Malik J. Scale-space and edge detection using anisotropic diffusion[J]. IEEE Transactions on pattern analysis and machine intelligence, 1990, 12(7): 629-639. 引用15000次
图像去噪的又一神作，超级经典的全变差模型：
Rudin L I, Osher S, Fatemi E. Nonlinear total variation based noise removal algorithms[J]. Physica D: nonlinear phenomena, 1992, 60(1-4): 259-268. 引用15000次
Lowe D G. Distinctive image features from scale-invariant keypoints[J]. International journal of computer vision, 2004, 60(2): 91-110. 58000次引用
Dalal N, Triggs B. Histograms of oriented gradients for human detection[C]//2005 IEEE computer society conference on computer vision and pattern recognition (CVPR 05). IEEE, 2005, 1: 886-893. 32000次引用
做图像恢复的人肯定都知道SSIM这个指标，出自这篇文章：
Wang Z, Bovik A C, Sheikh H R, et al. Image quality assessment: from error visibility to structural similarity[J]. IEEE transactions on image processing, 2004, 13(4): 600-612. 引用27000
