1、backbone
1.1ResNet
Heetal(2016)将网络层重新定义为具有残差跳跃连接的学习残差函数。具有跳跃连接的网络更容易优化,并且可以在增加深度的情况下获得相当大的精度。ResNet-18是深度残差网络的轻量级变体,由四个残差块组成,每个残差块有两个卷积,然后是BN层。
1.2DarkNet
Redmon&Farhadi(2017)提出了一种计算轻量级的特征提取器DarkNet作为他们提出的实时目标检测算法YOLO的一部分。Darknet通过减少参数量对VGG-16进行了改进。
1.3 Xception
Chollet(2017)提出的Xception作为对 Inception-V3的改进,完全基于深度可分离卷积(DWS;Kaiser等人(2017年))。所提出的架构是一个由36个深度可分离卷积层组成的线性堆叠,结构为14个模块,除了第一个和最后一个之外,所有模块都有残差连接。
1.4 MobileNet
Sandler等人(2018年)将MobileNet-v2设计为轻量级骨干网,专门用于嵌入式设备上的实时目标检测。该架构使用具有线性瓶颈和深度可分离卷积的反向残差块。它被称为倒置,因为在网络的狭窄部分之间存在跳跃连接,导致参数数量较少。此外,该网络包含跳过连接,以实现输入和输出瓶颈之间的特征可重用性。
1.5 ShuffleNet-v2
Ma等人(2018)设计了ShuffleNet-v2,通过降低内存访问成本来优化推理延迟。该架构的构建块由通道拆分操作组成,该操作将输入分成两部分