卷积神经网络架构综述

一壶浊酒..

于 2022-12-10 22:07:35 发布

阅读量643

点赞数 2

分类专栏：深度学习文章标签： cnn 深度学习

本文链接：https://blog.csdn.net/qq_40107571/article/details/128263580

版权

深度学习专栏收录该内容

100 篇文章 12 订阅 ¥49.90 ¥99.00

订阅专栏

超级会员免费看

本文综述了卷积神经网络（CNN）的架构发展历程，从基本组件如卷积层、池化层、激活函数等，到不同发展阶段的创新，如LeNet、AlexNet、VGG、ResNet、DenseNet等。CNN通过深度、多路径、宽度等维度的创新，不断优化性能，广泛应用于图像识别、自然语言处理、目标检测等领域。未来的研究方向包括集成学习、注意机制和资源效率的提升。

摘要由CSDN通过智能技术生成

A Survey of the Recent Architectures of Deep Convolutional Neural Networks (arxiv.org)

度卷积神经网络（CNN）是一种特殊类型的神经网络，在各种竞赛基准上表现出了当前最优结果。深度 CNN 的超强学习能力主要是通过使用多个非线性特征提取阶段实现的，这些阶段能够从数据中自动学习分层表征。近来，深度 CNN 架构在挑战性基准任务比赛中实现的高性能表明，创新的架构理念以及参数优化可以提高 CNN 在各种视觉相关任务上的性能。鉴于此，关于 CNN 设计的不同想法被探索出来，如使用不同的激活函数和损失函数、参数优化、正则化以及处理单元的重构。然而，在表征能力方面的主要改进是通过重构处理单元来实现的。尤其是，使用块而不是层来作为结构单元的想法获得了极大的赞赏。本综述将最近的 CNN 架构创新分为七个不同的类别。这七个类别分别基于空间利用、深度、多路径、宽度、特征图利用、通道提升和注意力。