模型名称 | 模型简介 |
---|---|
AlexNet | 首次在 CNN 中成功的应用了 ReLU, Dropout 和 LRN,并使用 GPU 进行运算加速。 |
VGG19 | 在 AlexNet 的基础上使用 3*3 小卷积核,增加网络深度,具有很好的泛化能力。 |
GoogLeNet | 在不增加计算负载的前提下增加了网络的深度和宽度,性能更加优越。 |
ResNet50 | Residual Network,引入了新的残差结构,解决了随着网络加深,准确率下降的问题。 |
ResNetvd | 服务器端应用实用模型。融合多种对 ResNet 改进策略,ResNet50vd的top1准确率达到79.1%,相比标准版本提升2.6%。在V100上预测一张图像的时间3ms左右。进一步采用SSLD蒸馏方案,其top1准确率可以达到82.39%。 |
Inceptionv4 | 将 Inception 模块与 Residual Connection 进行结合,通过ResNet的结构极大地加速训练并获得性能的提升。 |
MobileNetV1 | 将传统的卷积结构改造成两层卷积结构的网络,在基本不影响准确率的前提下大大减少计算时间,更适合移动端和嵌入式视觉应用。 |
MobileNetV2 | MobileNet结构的微调,直接在 thinner 的 bottleneck层上进行 skip learning 连接以及对 bottleneck layer 不进行 ReLu 非线性处理可取得更好的结果。 |
MobileNetV3 | 移动端应用实用模型。MobileNetV3是对MobileNet系列模型的又一次升级,MobileNetV3largex10的top1准确率达到75.3%,在骁龙855上预测一张图像的时间只有19.3ms。进一步采用SSLD蒸馏方案,其top1准确率可以达到79%。 |
SENet154vd | 在ResNeXt基础、上加入了 SE(Sequeeze-and-Excitation) 模块,提高了识别准确率,在 ILSVRC 2017 的分类项目中取得了第一名。 |
ShuffleNetV2 | ECCV2018,轻量级 CNN 网络,在速度和准确度之间做了很好地平衡。在同等复杂度下,比 ShuffleNet 和 MobileNetv2 更准确,更适合移动端以及无人车领域。 |
efficientNet | 同时对模型的分辨率,通道数和深度。进行缩放,用极少的参数就可以达到SOTA的精度。 |
xception71 | 对inception-v3的改进,用深度可分离卷积代替普通卷积,降低参数量的同时提高了精度。 |
dpn107 | 融合了densenet和resnext的特点。 |
mobilenetV3smallx10 | 在v2的基础上增加了se模块,并且使用hard-swish激活函数。在分类、检测、分割等视觉任务上都有不错表现。 |
DarkNet53 | 检测框架yolov3使用的backbone,在分类和检测任务上都有不错表现。 |
DenseNet161 | 提出了密集连接的网络结构,更加有利于信息流的传递。 |
ResNeXt152vd64x4d | 提出了cardinatity的概念,用于作为模型复杂度的另外一个度量,并依据该概念有效地提升了模型精度。 |
SqueezeNet11 | 提出了新的网络架构Fire Module,通过减少参数来进行模型压缩。 |
深度学习中各个模型简介
最新推荐文章于 2024-07-03 19:14:51 发布
![](https://img-home.csdnimg.cn/images/20240711042549.png)