深度学习在图像分类等任务中的发展

最新推荐文章于 2024-09-19 20:17:39 发布

AsianTang

最新推荐文章于 2024-09-19 20:17:39 发布

阅读量4k

点赞数 3

分类专栏：计算机视觉深度学习文章标签： CNN 计算机视觉深度学习

本文链接：https://blog.csdn.net/tangchuanxin3/article/details/54025212

版权

本文回顾了深度学习在图像分类领域的关键进展，从2012年的AlexNet引入ReLU和数据增强，到2014年GoogLeNet的Inception结构和辅助分类器，再到2015年VGG网络验证深度的重要性，以及同年提出的高速公路网络和深度残差网络（ResNet），后者解决了深层网络的退化问题，显著提升了模型性能。这些里程碑式的论文在ImageNet等数据集上取得了突破性成果，推动了计算机视觉的发展。

摘要由CSDN通过智能技术生成

本文简单介绍一下2012年以来几篇重要的图像分类论文。

2012年AlexNet[1]，证明了深层CNN网络能提升图像分类的效果。该文章使用了8层的网络，获得了2012年ImageNet数据集上图像分类的冠军。核心trick就是relu+local response normalization + overlapping pooling。为了避免过拟合使用了data augmentation + dropout。

针对单纯通过增大网络结构来提升效果的问题，2014年GoogLeNet[2]另辟蹊跷，通过从设计网络结构的角度来提升效果。论文设计了Iception这种结构来捕捉不同scale的特征，同时又通过1乘1的卷积来降维。为了缓解梯度消失的问题，又使用了auxiliary classifiers的trick。论文的主要贡献是证明了不同scale特征级联使用可以提升效果。2015年又有基于GoogLeNet的改进版[[3]，主要是提出了一些网络设计准则，并根据准则改进Inception。

2015年VGG[4]，进一步证明了depth在计算机视觉中的重要性。论文中使用的卷积核大小为3乘3，通过对比不同depth的网络，来证明depth大时效果更好。论文中分别对比的depth为11，13，16，19。