经典网络结构

1. backbone

bacebone	应用	基本结构	year	备注
VGG系列			2014
resnet系列	resnet18 resnet34 resnet50 resnet101 resnet152	Conv Block下采样 Identity Block加深网络（Resnet50）	2015	通常看到用来做backbone的主要是resnet50与resnet101
resnext		吸收了ResNet和Inception结构的优点	2017
Darknet系列
Mobilenet系列			2019
HRNet系列
ConvNeXt		纯卷积，对标Transformer	2022	比Transformer更快的推理速度以及更高的准确率
Transformer系列

2. 结构图

1. Resnext  

Resnext: 用一种平行堆叠相同拓扑结构的blocks代替原来 ResNet 的三层卷积的block，在不明显增加参数量级的情况下提升了模型的准确率，同时由于拓扑结构相同，超参数也减少了，便于模型移植。

参考：ResNeXt算法详解_AI之路的博客-CSDN博客

2.ConvNeXt

参考：ConvNeXt网络详解_太阳花的小绿豆的博客-CSDN博客

3.Mobilenet

 深度学习领域内也在努力促使神经网络向小型化发展。在保证模型准确率的同时体积更小，速度更快。到了2016年直至现在，业内提出了SqueezeNet、ShuffleNet、NasNet、MnasNet以及MobileNet等轻量级网络模型。这些模型使移动终端、嵌入式设备运行神经网络模型成为可能。而MobileNet在轻量级神经网络中较具代表性。

特点：MobileNet网络拥有更小的体积，更少的计算量，更高的精度。在轻量级神经网络中拥有极大的优势。

MobileNet凭借网络结构优化，在更少的参数及更少的计算量情况下，网络精度反而超过了部分大型神经网络。在最新的MobileNetV3-Large中，实现ImageNet数据集Top1准确率达到75.2%。

使用Google Pixel-1手机测试，MobileNet各版本都能保持运行时间在120ms以下，最新版MobileNetV3-Large运行时间达到66ms，参数量和计算量更低的MobileNetV3-Small更是能达到22ms。（StabNet是35帧，0.028ms）

参考：轻量级神经网络MobileNet全家桶详解_轻量级网络模型有哪些_雷恩Layne的博客-CSDN博客