最近整理了下机器学习在 只能军事化领域、环境监测、自适应系统 以及 生成对抗网络 方面的文章：
[1] Goodfellow Ian,Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[C]//Advances inNeural Information Processing Systems. 2014: 2672-2680.
[2] Mirza M, Osindero S. Conditional Generative AdversarialNets[J]. Computer Science, 2014:2672-2680.
[3] Denton E L, Chintala S, Fergus R. Deep Generative Image Modelsusing a Laplacian Pyramid of Adversarial Networks[C]//Advances in neuralinformation processing systems. 2015: 1486-1494.
[4] Radford A, Metz L, Chintala S. Unsupervised representationlearning with deep convolutional generative adversarial networks[J]. arXivpreprint arXiv:1511.06434, 2015.
[5] Im D J, Kim C D, Jiang H, et al. Generating images with recurrent adversarialnetworks[J]. arXiv preprint arXiv:1602.05110, 2016.
[6] Larsen A B L, Sønderby S K, Winther O. Autoencoding beyond pixels using alearned similarity metric[J]. arXiv preprint arXiv:1512.09300, 2015.
[7] Wang X, Gupta A. Generative Image Modeling using Style and StructureAdversarial Networks[J]. arXiv preprint arXiv:1603.05631, 2016.
[8] Chen X, Duan Y, Houthooft R, et al. InfoGAN: Interpretable RepresentationLearning by Information Maximizing Generative Adversarial Nets[J]. arXivpreprint arXiv:1606.03657, 2016.
[9] Kurakin A, Goodfellow I, Bengio S. Adversarial examples in the physicalworld[J]. arXiv preprint arXiv:1607.02533, 2016.
[10] Odena A. Semi-Supervised Learning with Generative Adversarial Networks[J].arXiv preprint arXiv:1606.01583, 2016.
[11] Springenberg J T. Unsupervised and Semi-supervised Learning withCategorical Generative Adversarial Networks[J]. arXiv preprintarXiv:1511.06390, 2015.
[12]Kataoka, Y. Matsubara, T. Uehara, K. Image Generation Using generative Adversarial Networks and Attention Mechanism. 2016 Ieee/Acis 15th International Conference on Computer and Information Science (Icis). Jun 26-29, 2016-933-938
对于图像生成，深层神经网络被训练以提取自然图像上的高级特征并且从特征重建图像。然而，难以学习生成包含大量内容的图像。因此提出一个网络模型通过被训练以处理图像的部分并逐步地生成图像。此外，还提出生成对抗网络（GAN）方法来生成更逼真的图像。
[13]Li, C. Wand, M. Precomputed RealTime Texture Synthesis with Markovian Generative Adversarial Networks. Computer Vision - Eccv 2016, Pt Iii. Oct 08-16, 2016-702-716
本文提出马尔可夫生成式对抗网络(MGANs),是一种用于有效纹理合成的训练生成网络的方法。
[14]Wang, X. L. Gupta, A.-GenerativeImage Modeling Using Style and Structure Adversarial Networks-Computer Vision -Eccv 2016, Pt Iv- 2016-318-335
本文将图像生成过程因式分解，并提出了风格和结构生成对抗网络（S-2-GAN）。用于生成更逼真的图像，可以用于学习无人监督的RGBD表示。
[15]Yoon, Y. Choe, G. Kim, N.Lee, J. Y. Kweon, I. S.-Fine-Scale Surface Normal Estimation Using a Single NIRImage-Computer Vision - Eccv 2016, Pt Iii-2016-486-500
本文中采用生成对抗网络，解决使用未校准光源捕获的图像重建精细尺度表面几何的问题。
[16]Zhu, J. Y. Krahenbuhl, P.Shechtman, E. Efros, A. A.-Generative Visual Manipulation on the Natural Image Manifold-ComputerVision - Eccv 2016, Pt V-2016-597-613
本文直接从数据使用生成对抗神经网络学习自然图像流形。解决以用户控制的方式修改图像外观，同时保持结果的真实性的问题。
[17]Li, Weijia Fu, Haohuan Yu, Le Gong, Peng Feng, Duole Li,Congcong Clinton, Nicholas-Stacked Autoencoder-based deep learning for remote-sensingimage classification: a case study of African land-cover mapping-InternationalJournal of Remote Sensing-28 Feb 2017-5632-5646
在本文中，我们把以深度学习为基础的分类方法应用到大规模土地覆盖制图上。基于深度学习模型之一的堆叠自动编码器（SAE），我们为大规模遥感图像处理构建了分类框架。基于我们的测试样本调整和优化模型参数，我们将基于SAE的方法与包括RF，SVM和ANN的传统分类算法的性能进行了多重性能分析。
[18]Li, WeiWu, Guodong Zhang,Fan Du, Qian-Hyperspectral Image Classification Using Deep Pixel-PairFeatures-Ieee Transactions on Geoscience and Remote Sensing-FEB 2017-844-853
深度卷积网络最近比较热门，它在高光谱图像分析中拥有优异的性能。本文中，提供了一种新型的像素对放啊发，能够显著提高其性能。
[19]Babalola, A. A. Belkacemi,R. Zarrabian, S. Craven, R.-Adaptive Immune System reinforcement Learning-Basedalgorithm for real-time Cascading Failures prevention- Engineering Applicationsof Artificial Intelligence-JAN 2017-118-133
本文提出一种能够针对特定系统状态选择适当的组合来给出人工智能算法强化学习能力的基于免疫系统加强学习（ISRL）算法，用于解决长期存在的不受非智能算法的问题。
[20]Babalola, A. A. Belkacemi, R. Zarrabian, S. Craven, R.Adaptive Immune System reinforcement Learning-Based algorithm for real-time Cascading Failures prevention- Engineering Applications of Artificial Intelligence-JAN 2017-118-133
本文提出一种能够针对特定系统状态选择适当的组合来给出人工智能算法强化学习能力的基于免疫系统加强学习（ISRL）算法，用于解决长期存在的不受非智能算法的问题。
[21]Gao, W. N. Jiang, Z. P.Adaptive Dynamic Programming and Adaptive Optimal Output Regulation of Linear Systems-Ieee Transactions on Automatic ControlIeee Transactions on Automatic Control—DEC 2016-4164-4169
本文提出采用加强学习和自适应动态规划技术的近似最优控制器，提出控制器指数稳定闭环系统。解决连续时间线性系统的自适应最优输出调节问题。
[22]Liu, L. Wang, Z. S. Zhang, H. G.-Adaptive Fault-Tolerant Tracking Control for MIMO Discrete-Time Systems via Reinforcement Learning Algorithm With Less Learning Parameters-Ieee Transactions on Automation Science and Engineering-JAN 2017-299-313
本文涉及一种基于增强学习的自适应跟踪控制技术，以容忍具有较少学习参数的未知多输入多输出非线性离散时间系统类的故障。
[23]Wang, Y. Z. Pedram, M. Model-Free Reinforcement Learning and Bayesian Classification in System-Level Power Management. Ieee Transactions on Computers. Dec 2016- 3713-3726
为了应对来自硬件或应用特性的不确定性和变化, 在本文中，基于无模型强化学习（RL）方法提出了在线自适应DPM技术，其不需要状态转换概率函数和奖励函数的先验知识。
[24]Yang, X. Liu, D. R. Luo, B. Li, C. Data-based robust adaptive control for a class of unknown nonlinear constrained-input systems via integral reinforcement learning. Information Sciences. Nov 2016- 731-747
本文提出了一种基于数据的鲁棒自适应控制方法，用于一类具有完全未知动力学的非线性约束输入系统。由于系统动力学的不可用性，开发了基于数据的积分强化学习（RL）算法来解决约束最优控制问题。
[25]Cao, L. J. Jiang, Q. L. Cheng, M. Wang, C.- Robust vehicle detection by combining deep features with exemplar classification-Neurocomputing-NOV 26 2016-225-231
提出了一个把深度卷机网络（DNN）与基于Exemplar-SVM（E-SVMS）的鲁棒实例分类器结合起来了的车辆检测框架，以实现在卫星图像中的车辆检测。
[26]Chen, Y. Yang, C. L. Yang, S. Y. Ieee,- A method for special vehicle recognition based on deep-transfer model-6th International Conference on Instrumentation and Measurement, Computer, Communication and Control (IMCCC)- JUL 21-23, 2016- 167-170
作为图像识别的应用，特殊车辆识别在军事领域非常重要。本文提出了一种深度传递模型（DTM）来克服现有识别方法中的问题。 DTM结合深度学习和转移学习来解决训练不足的模型的深度模型的难度，提高识别算法的性能。
[27]Varley, A. Tyler, A. Smith, L. Dale, P. Davies, M.-Remediating radium contaminated legacy sites: Advances made through machine learning in routine monitoring of "hot" particles-Science of the Total Environment- JUL 15 2015-270-279
本文提出建立一个优化的检测器 - 算法组合，利用神经网络和支持向量机算法评估来检测当地异质污染。来解决军事和制药目的广泛使用镭导致的大量被污染的遗产地点的检测。
[28]Wu, H. Zhang, H. Zhang, J. F. Xu, F. J. Ieee-Typical Target Detection In Satellite Images Based On Convolutional Neural Networks-IEEE International Conference on Systems, Man, and Cybernetics (SMC)-Oct 09-12 2015-2956-2961
本文提出一种基于EdgeBoxes和卷积神经网络（CNN）的新的目标检测框架，以期望找到一种从大量图像数据自动学习演示并提高目标检测的计算效率的有效方式。解决由于复杂的背景，检测卫星图像中的典型目标是一项具有挑战性的任务。
[29]Zhang, F. Du, B. Zhang, L. P. Xu, M. Z.-Weakly Supervised Learning Based on Coupled Convolutional Neural Networks for Aircraft Detection-Ieee Transactions on Geoscience and Remote Sensing-SEP 2016-5553-5563
本文提出了一种基于耦合卷积神经网络（CNN）的飞行器检测的弱监督学习框架，解决了，1）提取对象的高级特征和层次特征表示是困难的; 2）大图像集中的对象的手动注释通常是昂贵的并且有时不可靠;3）在这样大的图像内定位对象是困难和耗时的。
[30]Berniker, M. Kording, K. P. Deep networks for motorcontrol functions-Frontiers in Computational Neuroscience. MAR 19 2015-32
本文利用机器学习以使用堆叠自动编码器或深度网络来建立函数，解决运动控制的神经实现
[31]Pal, S. Dong, Y. X. Thapa,B. Chawla, N. V. Swami, A. Ramanathan, R. Ieee. Deep Learning for NetworkAnalysis: Problems, Approaches and Challenges. 35th IEEE MilitaryCommunications Conference (MILCOM).Nov 01-3 2016-588-593
模式识别的信息网络是军队的一个关键问题，当前技术不具有辨别不是先验已知的不寻常特征或图案的能力,因此作者使用深度学习进行网络分析。
[32]Silver, D. ;Huang, A.;Maddison, C. J. ;Guez, A. ;Sifre, L. ;van den Driessche, G. ;Schrittwieser, J.;Antonoglou, I. ;Panneershelvam, V. ;Lanctot, M. ;Dieleman, S. ;Grewe, D.;Nham, J. ;Kalchbrenner, N. ;Sutskever, I. ;Lillicrap, T. ;Leach, M.;Kavukcuoglu, K. ;Graepel, T. ;Hassabis, D. Mastering the game of Go with deepneural networks and tree search. Nature. Jan 2016-484-+
这是一篇有关alphago的文章，介绍了一种新的方法，用价值网络来评估位置，用策略网络来移动。