人工智能图片专题
©汉华易美视觉科技有限公司AllRightsReserved 苏ICP备19044258号-25 苏B2-20191025 苏公网安备32041202001826号 出版物经营许可证 网络文化经营许可证
违法和不良信息举报电话：400-818-2525 举报邮箱：jubao@vcg.com 隐私问题反馈邮箱：privacy@vcg.com
江苏省常州市武进区西太湖科技产业园禾香路123号6号楼一楼102室
人工智能必看的45篇论文
AI领域的发展会是IT中最快的。我们所看到的那些黑客技，其后面无不堆积了大量的论文。而且都是最新、最前沿的论文。
从某种调度来讲，他们所用的技术跟书籍里的内容确实不是一个时代。要想与时俱进，就必须改变思路——从论文入手。
接下来就来介绍一下这些论文及地址
一
神经网络基础部分
No1wide_deep模型论文：
关于神经元、全连接网络之类的基础结构，想必每个AI学者都有了解。那么你是否真的了解全连接网络中深层与浅层的关系呢？来看看wide_deep模型吧。这篇论文会使你对全连接有个更深刻的理解。
关于该模型的更多介绍可以参考论文：
https://arxiv.org/pdf/1606.07792.pdf
在wide_deep模型中，wide模型和deep模型具有各自不同的分工。
—wide模型：一种浅层模型。它通过大量的单层网络节点，实现对训练样本的高度拟合性。它的缺点是泛化能力很差。
—deep模型：一种深层模型。它通过多层的非线性变化，使模型具有很好的泛化性。它的缺点是拟合度欠缺。
将二者结合起来——用联合训练方法共享反向传播的损失值来进行训练—可以使两个模型综合优点，得到最好的结果。
No2wide_deep模型论文：
为什么Adam被广泛使用？光会用可不行，还得把原理看懂。这样出去喷一喷，才会显得更有面子。
Adam的细节请参阅论文《Adam:AMethodforStochasticOptimization》，该论文的链接网址是：
https://arxiv.org/pdf/1412.6980v8.pdf
No3TargetedDropout模型论文：
你还再用普通的Dropout吗？我已经开始用TargetedDropout了。比你的又快，又好。你不知道吧，赶紧学习一下。
TargetedDropout不再像原有的Dropout那样按照设定的比例随机丢弃部分节点，而是对现有的神经元进行排序，按照神经元的权重重要性来丢弃节点。这种方式比随机丢弃的方式更智能，效果更好。更多理论见以下论文：
https://openreview.net/pdf?id=HkghWScuoQ
二
图像分类部分
No4Xception模型论文：
在那个图像分类的时代，谷歌的Xception系列，像x战警一样，一个一个的打破记录。其中的技术也逐渐成为AI发展的知识体系。有必要看一下。或许会对自己的工作有所启发。
详细情况请查看原论文《Xception:DeepLearningwithDepthwiseSeparableConvolutions》，该论文网址是：
https://arxiv.org/abs/1610.02357
No5残差结构论文：
运气好到没朋友，现有模型，后完善理论指的就是残差结构这哥们。他的传奇导致即使到今天的AI技术，也无法将它割舍，就来常微分方程都得拿它比肩。快来学学吧。用处大着呢。好多模型都拿他当先锋。
利用残差结构，可以使得网络达到上百层的深度。详情请参阅原始论文《DeepResidualLearningforImageRecognition》，该论文网址是：
https://arxiv.org/abs/1512.03385
No6空洞卷积论文：
NasNet的招牌动作，虽然不是出于NASNet，但是却被人家用得如火纯青。有时不得不惊叹，机器设计出来的模型还真实跟人设计的不一样！
想知道空洞卷积的感受野为什么与层数呈指数级关系吗？
细节请查看原论文《Multi-scalecontextaggregationbydilatedconvolutions》，该论文网址是：
https://arxiv.org/abs/1511.07122v3
No7DenseNet论文：
这个模型使我想到了“一根筋”，再次证明了只有轴的人才能成大事！令类的模型，神奇的效果，快来体验一下吧。这可是比华佗还牛的神医哦！
有关DenseNet模型的细节，请参考原始论文《DenselyConnectedConvolutionalNetworks》，该论文的连接是：
https://arxiv.org/abs/1608.06993
No8EfficientNet模型论文：
知道目前位置图像分类界谁是老大吗？来，看看这个！
EfficientNet模型的论文地址如下：
https://arxiv.org/pdf/1905.11946.pdf
No9Grad-CAM模型论文：
如果你能把神经元搞得透彻，你也会想到这个点子。不想聊太多！一个字“绝”！这TMD才叫卷积网络的可视化！
详细情况请参阅论文《Grad-CAM:VisualExplanationsfromDeepNetworksviaGradient-basedLocalization》，该论文的链接网址是：
https://arxiv.org/pdf/1610.02391.pdf
No10分类模型泛化能力论文：
知道为啥都喜欢使用ResNet模型当先锋吗？运气好就是运气好！好到大家都喜欢用它，还说不出为啥它那么好！反正就是好，不信的话看看这篇论文的实验结果。
论文中，在选取模型的建议中，多次提到了ResNet模型。原因是，ResNet模型在Imgnet数据集上输出的特征向量所表现的泛化能力是最强的。具体可以参考以下论文：
https://arxiv.org/pdf/1805.08974.pdf
三
批量正则化部分
No11批量正则化论文：
这个没的说，必修课，不懂的化，会被鄙视成渣渣！
论文《BatchNormalizationAcceleratingDeepNetworkTrainingbyReducingInternalCovariateShift》，该论文网址是：
https://arxiv.org/abs/1502.03167
No12实例归一化论文：
时代不同了，批量归一化也升级了，赶紧学学新的归一化吧。
在对抗神经网络模型、风格转换这类生成式任务中，常用实例归一化取代批量归一化。因为，生成式任务的本质是——将生成样本的特征分布与目标样本的特征分布进行匹配。生成式任务中的每个样本都有独立的风格，不应该与批次中其他的样本产生太多联系。所以，实例归一化适用于解决这种基于个体的样本分布问题。详细说明见以下链接：
https://arxiv.org/abs/1607.08022
No13ReNorm算法论文：
ReNorm算法与BatchNorm算法一样，注重对全局数据的归一化，即对输入数据的形状中的N维度、H维度、W维度做归一化处理。不同的是，ReNorm算法在BatchNorm算法上做了一些改进，使得模型在小批次场景中也有良好的效果。具体论文见以下链接：
https://arxiv.org/pdf/1702.03275.pdf
No14GroupNorm算法论文：
GroupNorm算法是介于LayerNorm算法和InstanceNorm算法之间的算法。它首先将通道分为许多组（group），再对每一组做归一化处理。
GroupNorm算法与ReNorm算法的作用类似，都是为了解决BatchNorm算法对批次大小的依赖。具体论文见下方链接：
https://arxiv.org/abs/1803.08494
No15SwitchableNorm算法论文：
我们国人做产品都喜欢这么干！allinone,好吧。既然那么多批量归一化的方法。来，来，来，我们来个allinone吧。不服来辩，我这啥都有！
SwitchableNorm算法是将BN算法、LN算法、IN算法结合起来使用，并为每个算法都赋予权重，让网络自己去学习归一化层应该使用什么方法。具体论文见下方链接：
https://arxiv.org/abs/1806.10779
四
注意力部分
No16大道至简的注意力论文：
把AI搞成玄学也就算了！居然还扯到道家了！谷歌的工程师真实中外通吃啊！搞出来了一个只用注意力就能做事的模型，连卷积都不要了！你所好玩不好玩！至简不至简！刺激不刺激！
大名鼎鼎的AttentionisAllYouNeed注意力机制论文
注意力机制因2017年谷歌的一篇论文AttentionisAllYouNeed而名声大噪。下面就来介绍该技术的具体内容。如果想了解更多，还可以参考原论文，具体地址如下：
https://arxiv.org/abs/1706.03762
No17-18孪生注意力论文：
好比LSTM与GRU一样，注意力他们家也除了一对双胞胎，长得略微有点不同。但是功能一样，都能吃能喝，还能注意。老虎老鼠傻傻的不清楚！
—BahdanauAttention：https://arxiv.org/abs/1409.0473。
—LuongAttention：https://arxiv.org/abs/1508.04025。
No19各自升级的孪生注意力论文：
话说这对双胞胎，出生后就分开了。各自学的不同的语言，一个学习汉语，一个学习中文。若干年后，见面，发现二者的能力还是一样！
BahdanauAttention注意力升级成了normed_BahdanauAttention，而LuongAttention注意力升级成了scaled_LuongAttention。都一样的效果，你爱用哪个用哪个吧！
例如：
在BahdanauAttention类中有一个权重归一化的版本（normed_BahdanauAttention），它可以加快随机梯度下降的收敛速度。在使用时，将初始化函数中的参数normalize设为True即可。
具体可以参考以下论文：
https://arxiv.org/pdf/1602.07868.pdf
No20单调注意力机制论文：
老公主动表忠心，我以后不看别的美女。老婆觉得不够，再加个限制：你以后不准看别的女人！于是单调注意力就出来了。
单调注意力机制（monotonicattention），是在原有注意力机制上添加了一个单调约束。该单调约束的内容为：
（1）假设在生成输出序列过程中，模型是以从左到右的方式处理输入序列的。
（2）当某个输入序列所对应的输出受到关注时，在该输入序列之前出现的其他输入将不能在后面的输出中被关注。
即已经被关注过的输入序列，其前面的序列中不再被关注。
更多描述可以参考以下论文：
https://arxiv.org/pdf/1704.00784.pdf
No21混合注意力机制论文：
这个注意力很强大，比一般的注意力专注的地方更多，信息更丰富。我已经注意你很久了！呵呵呵~~~
因为混合注意力中含有位置信息，所以它可以在输入序列中选择下一个编码的位置。这样的机制更适用于输出序列大于输入序列的Seq2Seq任务，例如语音合成任务。
具体可以参考以下论文：
https://arxiv.org/pdf/1506.07503.pdf
五
高级的卷积网络知识
No22胶囊网络与动态路由的论文：
这是一股为图像分类降温的寒风，深刻而又尖锐的点出了卷积网络的硬伤！从事最大池化再无翻身之日。
虽然胶囊网络再实际应用中，不像它的理论那么牛，但是对AI的帮助，卷积的理解是革命性的。非常值得一读。另外，这也是一篇绝对让你对数学彻底绝望的论文。花几根白头发把里面的算法啃下来吧。这样你与大神就能更近一步。
胶囊网络分为主胶囊与数字胶囊，主胶囊与数字胶囊之间的耦合系数是通过训练得来的。在训练过程中，耦合系数的更新不是通过反向梯度传播实现的，而是采用动态路由选择算法完成的。该算法来自以下论文链接：
https://arxiv.org/pdf/1710.09829.pdf
目前胶囊网络的研究还处于初级阶段，随着人们研究的深入，相信这些问题会得到解决。
No23矩阵胶囊网络与EM路由算法：
如果你觉得不过瘾，那么还可以再看一篇。继续自虐一下。
带有EM（期望最大化）路由的矩阵胶囊网络是动态路由胶囊网络的一个改进版本。论文链接如下：
https://openreview.net/pdf?id=HJWLfGWRb
No24胶囊网络的其它用处：
胶囊网络混身是宝，但就是自己不争气。这也说明还有上升的空间。就拿其中一个动态路由算法来讲，居然比普通的注意力还好。
看完之后，相信你一定会手痒！要不要也试试？把你的注意力换一下。值得你尝试，会有彩蛋的！
该论文的实践也证明，与原有的注意力机制相比，动态路由算法确实在精度上有所提升。具体介绍可见以下论文：
https://arxiv.org/pdf/1806.01501.pdf
No25卷积网络新玩法TextCNN模型：
早先小编在一个项目中，自己用卷积网络处理字符数据。自己感觉很Happy。没想到，无意间居然发现了一篇同样这么干的论文。居然还有个名字，叫TextCNN。哎！可惜啊！小编文化少，只会写代码，不会写论文。
TextCNN模型是利用卷积神经网络对文本进行分类的算法，由YoonKim在ConvolutionalNeuralNetworksforSentenceClassification一文中提出。论文地址：
https://arxiv.org/pdf/1408.5882.pdf
六
图像内容处理部分
No26FPN模型论文（包含了ROIAlign的匹配算法）：
要是搞计算机视觉，还是要建议看一下。非常的基础。也是图像分割方面的用得最多得模型。
FPN的原理是：将骨干网络最终特征层和中间特征层的多个尺度的特征以类似金字塔的形式融合在一起。最终的特征可以兼顾两个特点——指向收敛目标的特征准确、特征语义信息丰富。更多信息可以参考论文：
ROIAlign层中的匹配算法也来自于这篇FPN论文，链接如下：
https://arxiv.org/abs/1612.03144
No27MaskR-CNN模型论文：
效果好，代码多！硬货！来啃吧！
MaskR-CNN模型是一个简单、灵活、通用的对象实例分割框架。它能够有效地检测图像中的对象，并为每个实例生成高质量的分割掩码，还可以通过增加不同的分支完成不同的任务。它可以完成目标分类、目标检测、语义分割、实例分割、人体姿势识别等多种任务。具体细节可以参考以下论文：
https://arxiv.org/abs/1703.06870
No28YOLOV3模型论文：
这个模型的提点就是快！目标识别强烈推荐
YOLOV3模型的更多信息可以参考以下链接中的论文：
https://pjreddie.com/media/files/papers/YOLOv3.pdf
No29Anchor-Fress模型–FCOS模型论文：
随着AI技术的进步Anchor-Fress模型死灰复燃（早先是YOLOV1那一批模型），这次不一样的是彻底干掉带Anchor的模型。训练起来那就一个爽！妈妈再也不用为我准备单独的Anchor标签了。
与YOLOV1相比，FCOS模型的思想与YOLOV1模型非常相似，唯一不同的是FCOS模型没有像YOLOv1那样只考虑中心附近的点，而是利用了groundtruth边框中所有的点来进行预测边框。并且通过center-ness分支来抑制那些效果不行的检测边框。这样FCOS就可以改善YOLOV1模型总会漏掉部分检测边框的缺点。
相关论文地址：
https://arxiv.org/abs/1904.01355
No30Anchor-Fress模型–CornerNet-Lite模型论文：
一样也是Anchor-Fress模型，与FCOS效果差不多少，具体看一下论文吧
CornerNet-Lite模型。相关论文地址：
https://arxiv.org/pdf/1904.08900.pdf
No31栈式沙漏网络模型–Hourglass论文：
最初用户人的姿态估计，在符合模型中也是常被使用的模型。论文地址：
https://arxiv.org/abs/1603.06937
No32OCR必修课——STN模型论文：
可以让模型自动仿射变化，你说牛不牛！要学OCR，就得从这个开始。
有关STN模型的论文链接如下：
https://arxiv.org/abs/1506.02025
七
循环神经网络部分
No33QRNN模型论文：
在RNN模型的cell里，如果还只知道LSTM和GRU。那就太low了。快了补补吧：
如果想更多了解QRNN，可以参考以下论文：
https://arxiv.org/abs/1611.01576
No34SRU模型论文：
接着来，各种RNN的Cell。又漂亮，又好吃！
SRU单元在本质上与QRNN单元很像。从网络构建上看，SRU单元有点像QRNN单元中的一个特例，但是又比QRNN单元多了一个直连的设计。
若需要研究SRU单元更深层面的理论，可以参考如下论文：
https://arxiv.org/abs/1709.02755
No35IndRNN模型论文：
再补一个，这可都是好cell啊！
将IndRNN单元配合ReLu等非饱和激活函数一起使用，会使模型表现出更好的鲁棒性。
有关IndRNN单元的更多理论，可以参考论文：
https://arxiv.org/abs/1803.04831
No36IndRNN模型论文：
最后，再来一个cell，如想要了解更多关于JANET单元的内容，可以参考以下论文：
https://arxiv.org/abs/1804.04849
八
AI合成部分
No37-38Tacotron与Tacotron-2模型论文：
AI合成部分的经典模型，以上结构来自Tacotron与Tacotron-2两个结构，更多内容可以参考以下两篇论文：
https://arxiv.org/pdf/1703.10135.pdf
https://arxiv.org/pdf/1712.05884.pdf
No39DeblurGAN模型论文：
图片合成的论文太多了。这里简单列几个，大体原理和思路了解，即可。
DeblurGAN模型是一个对抗神经网络模型，由生成器模型和判别器模型组成。
—生成器模型，根据输入的模糊图片模拟生成清晰的图片。
—判别器模型，用在训练过程中，帮助生成器模型达到更好的效果。
具体可以参考论文：
https://arxiv.org/pdf/1711.07064.pdf。
No40AttGAN模型论文：
同样，这也是个图片合成的。不同的是多属性合成，相对比较有意思。
AttGAN模型由两个子模型组成：
（1）利用编码器模型将图片特征提取出来。
（2）将提取的特征与指定的属性值参数一起输入编码器模型中，合成出最终的人脸图片。
更多细节可以参考论文：
https://arxiv.org/pdf/1711.10678.pdf
No41RNN.WGAN模型论文：
可以合成文本的GAN。离散数据也能干！
RNN.WGAN模型使用了WGAN模型的方法进行训练。详细做法可以参考如下论文：
https://arxiv.org/abs/1704.00028
九
多任务学习
No42MKR模型论文：
多任务学习模型有必要了解一下。这里推荐一个论文给你看看。
MKR是一个多任务学习的端到端框架。该框架能够将两个不同任务的低层特征抽取出来，并融合在一起实现联合训练，从而达到最优的结果。有关MKR的更多介绍可以参考以下链接：
https://arxiv.org/pdf/1901.08907.pdf
十
NLP部分
No43BERT模型论文：
如果你搞NLP，那么这个就不用我来介绍了。如果你准备搞NLP,那么赶紧来看看这个，跟上时代。
BERT相关论文链接
https://arxiv.org/abs/1810.04805
在BERT之后，又出了好多优秀的模型。但是，还是先把这个啃下来，再看别的才不费劲。
十一
模型攻防
No44FGSM模型论文：
攻击模型的经典方法。值得掌握。
FGSM（FastGradientSignMethod）是一种生成对抗样本的方法。该方法的描述如下：
（1）将输入图片当作训练的参数，使其在训练过程中可以被调整。
（2）在训练时，通过损失函数诱导模型对图片生成错误的分类。
（3）当多次迭代导致模型收敛后，训练出来的图片就是所要得到的对抗样本。
具体可以参考论文：
https://arxiv.org/pdf/1607.02533.pdf
No45黑箱攻击论文：
基于雅可比（Jacobian）矩阵的数据增强方法，是一种常用的黑箱攻击方法。该方法可以快速构建出近似于被攻击模型的决策边界，从而使用最少量的输入样本。即：构建出代替模型，并进行后续的攻击操作。
详细请见如下链接：
https://arxiv.org/abs/1602.02697
这里只是列了一些基础的论文。如果这45篇论文看完。可以保证你再看到大厂的产品时，不会感觉有代沟。
我发现在《深度学习之TensorFlow工程化项目实战》这本书中，这45个论文都讲过。在书里已经将大部分的论文转化成中文描述，并配合实际的代码案例了。作者李金洪，出至代码医生工作室。
PDF高清+epub多种格式+源代码，可运行代码调试。
人工智能技术图片
关于我们版权声明版权保障VIP服务热门搜索今日热门联系电话：021-36170220
商务合作：15921797502（同微信）
联系客服订阅号服务号上海韩众网络科技有限公司|地址：上海浦东新区东方路3539号2号楼3楼|电话：021-36170220（09:00-18:00）如网民接到962110电话，请立即接听。
Copyright©2015-2023摄图网沪ICP备15050430号-1ICP证沪B2-20180118沪公网安备31011502008153号上海工商上海互联网违法和不良信息举报中心用时：0.0342秒秒
广播电视节目制作经营许可证（沪）字第02702号网络文化经营许可证沪网文{2022}1459-054号出版物经营许可证新出发沪批字第Y8341号《摄图网络服务使用协议》《摄图隐私政策》
人工智能论文参考文献30个
人工智能论文参考文献30个所属栏目：期刊论文百科问答发布日期：2022-07-0914:59热度：
随着科技的不断发展，人工智能也是越来越普遍，应用于农业、生活、工业、医疗等各方各面。所以关于该方面的研究人员也是有不少的论文发表，尤其是在写作中难免会需要参考一些相关文献，来增加文章的说服力。所以这里也是整理了30个人工智能论文参考文献，供大家参考了解。
[1]人工智能医学应用的文献传播的可视化研究[J].陈俊任,曾瑜,张超,沈建通,杨晓妍.中国循证医学杂志.2021(08)
[2]营销领域人工智能研究综述[J].林子筠,吴琼琳,才凤艳.外国经济与管理.2021(03)
[3]基于人工智能重塑零售价值及创新路径研究[J].蒋侃,覃美连,李姝蓉.价格理论与实践.2021(12)
[4]机器学习在医疗健康数据分析中的应用[J].赵显鹏.电子世界.2020(18)
[5]神经外科手术机器人辅助脑深部电刺激手术的中国专家共识[J].陶英群,巩顺.中国微侵袭神经外科杂志.2021(07)
[6]人工智能在金融行业的应用探析[J].韩志雄,杨紫,洪武.金融科技时代.2019(09)
[7]杭州高新区建设市人工智能创新发展区对策思路研究[J].辛金国,刘昱,金洁.杭州科技.2021(05)
[8]中小企业人工智能发展的困境分析[J].孙千惠,李占强,李昊辰.中国新通信.2021(22)
[9]人工智能对招标采购的影响及对策[J].张保洲,祁顺英,邓预均.招标采购管理.2021(11)
[10]人工智能技术在医药研发中的应用[J].刘伯炎,王群,徐俐颖,褚淑贞.中国新药杂志.2020(17)
[11]人工智能技术在医学影像产业的应用与思考[J].朱森华,章桦.人工智能.2020(03)
[12]基于北斗与5G技术的农业植保无人机运行监管架构设计[J].胡小蒙,王子楷,赵婧冰.智慧农业导刊.2021(03)
[13]国外领先安防巡逻机器人发展现状概述[J].陈甜甜,赵洋.中国安防.2021(11)
[14]关于客服机器人发展历程及未来趋势的思考[J].于焘,郭蒙.中国金融电脑.2022(03)
[15]为理解而学:人工智能时代的知识学习[J].张良,关素芳.湖南师范大学教育科学学报.2021(01)
[16]人工智能时代的知识教学变革[J].王天平,闫君子.湖南师范大学教育科学学报.2021(01)
[17]人工智能与数字出版的创新应用探讨[J].王亮.创新创业理论研究与实践.2018(09)
[18]智能时代影像数字出版发展探究[J].王钧.科技与出版.2021(11)
[19]人工智能时代出版流程再造的机遇与挑战[J].陈进才.现代出版.2020(02)
[20]人工智能时代的翻译技术研究:应用场景、现存问题与趋势展望[J].王华树,王鑫.外国语文.2021(01)
[21]基于多智能体系统的海工装备项目物资仓储管控研究[J].吴晓源,回振超,孙苗苗,王伽轩.船舶工程.2018(04)
[22]人工智能与期刊发展融合的机遇、挑战和实践路径研究[J].陈鸿,刘育猛,裴孟.中国科技期刊研究.2019(03)
[23]人工智能在电力系统中的应用研究与实践综述[J].朱永利,尹金良.发电技术.2018(02)
[24]人工智能AI技术在电力系统的应用[J].靳龙.集成电路应用.2018(11)
[25]人工智能在皮肤病诊断和评估中的作用[J].费文敏,李承旭,韩洋,宁小荔,李可可,王子仪,许静凯,薛珂,徐峰,孟如松,崔勇.中国数字医学.2021(02)
[26]人工智能背后的机器学习[J].罗晓慧.电子世界.2019(14)
[27]基于图像处理技术的中药饮片识别研究[J].谭超群,温川飙,吴纯洁.时珍国医国药.2018(07)
[28]深度学习在图像处理领域中的应用综述[J].殷琪林,王金伟.高教学刊.2018(09)
[29]人工智能如何重构商业模式匹配性?——新电商拼多多案例研究[J].王烽权,江积海,王若瑾.外国经济与管理.2020(07)
[30]5G赋能产业创新智慧养老新模式[J].胡炜.互联网经济.2020(05)
以上就是对人工智能论文参考文献的整理。另外，需要大家注意的是，在引用参考文献时一定要选择正确的格式，不然参考文献算重复率的。所以对于论文中的引|用部分，一定要注明引用来源，并且按规范的格式进行标注，列出参考文献。
文章标题：人工智能论文参考文献30个
转载请注明来自：http://www.sofabiao.com/baike/bk/48576.html
相关问题解答本科生发一篇sci论文的难度大吗关注:36
sci查询h指数的方法关注:15
sci一区的分值是多少关注:28
水泥与混凝土方面的sci优秀刊物关注:25
2023材料领域sci一区期刊有哪些关注:41
专家审回很快是不是有被拒的可能关注:21
scopus期刊有共一作者吗关注:23
博士发sci二区是什么水平关注:48
建议收藏！超实用SCI论文常用句型...关注:25
sci开源期刊：稿件中选率居高不下...关注:36
社科类sci期刊目录
推荐几本国产sci中if大于5的期刊
查看更多期刊论文百科问答