docrazy5351的博客

Deep Residual Learning for Image Recognition原文链接：https://arxiv.org/pdf/1512.03385.pdf残差网络(ResNet)是微软亚洲研究院的何恺明、孙剑等人2015年提出的，它解决了深层网络训练困难的问题。利用这样的结构我们很容易训练出上百层甚至上千层的网络。要理解ResNet首先要理解网络变深后会带来什么样的

https://arxiv.org/pdf/1512.00567.pdfSzegedy在2015年发表了论文Rethinking the Inception Architecture for Computer Vision，该论文对之前的Inception结构提出了多种优化方法，来达到尽可能高效的利用计算资源的目的。作者认为随意增大Inception的复杂度，后果就是Inception的错

Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning，原文链接：https://arxiv.org/pdf/1602.07261.pdf微软亚洲研究院的何恺明在2015年提出了震惊业界的ResNet结构，这种结构和以往的Inception结构走了两条不同的道路：前者主要关注加大网络

Densely Connected Convolutional Networks，原文链接：https://arxiv.org/pdf/1608.06993.pdf自从2016年何恺明大神提出ResNet后，众多神经网络的研究者似乎突然悟到了很多，各种利用short path来提升性能的结构如雨后春笋，层出不穷。有点名头的比如Stochastic depth、FractalNets，影响最

Dual Path Networks，论文链接：https://arxiv.org/pdf/1707.01629.pdfResNet和DenseNet是近几年两种比较热门的网络结构，ResNet把输入直接加到（element-wise adding）卷积的输出上，DenseNet则把每一层的输出都拼接（concatenate）到了其后每一层的输入上。在这篇论文中作者用High Order

Squeeze-and-Excitation Networks（SENet）是由自动驾驶公司Momenta在2017年公布的一种全新的图像识别结构，它通过对特征通道间的相关性进行建模，把重要的特征进行强化来提升准确率。这个结构是2017 ILSVR竞赛的冠军，top5的错误率达到了2.251%，比2016年的第一名还要低25%，可谓提升巨大。这么大的提升是怎么来的呢？今天就来介绍下这个冠军背后的原

论文链接 Faster R-CNN Towards Real-Time Object：https://arxiv.org/pdf/1506.01497.pdftensorflow源码链接：https://github.com/smallcorgi/Faster-RCNN_TFFaster R-CNN是目标检测界的大神Ross Girshick 2015年提出的一个很经典的检测结

论文链接：https://arxiv.org/pdf/1506.02640.pdftensorflow源码链接：https://github.com/nilboy/tensorflow-yolo/tree/python2.7/yoloRoss Girshick提出的Faster R-CNN把目标检测的速度提高了一大步，在用Titan X时检测速度可以达到7fps，同时准确度达到73mA

论文链接：https://arxiv.org/pdf/1512.02325.pdftensorflow源码链接：https://github.com/balancap/SSD-TensorflowSSD是YOLO之后又一个引人注目的目标检测结构，它沿用了YOLO中直接回归 bbox和分类概率的方法，同时又参考了Faster R-CNN，大量使用anchor来提升识别准确度。通过把这两种