深度学习-CNN模型汇总

最新推荐文章于 2024-08-05 11:09:30 发布

西瓜ggg

最新推荐文章于 2024-08-05 11:09:30 发布

阅读量3.9k

点赞数 1

分类专栏：机器学习

本文链接：https://blog.csdn.net/u010484388/article/details/100602309

版权

机器学习专栏收录该内容

5 篇文章 0 订阅

订阅专栏

1、AlexNet网络模型

2、VGG网络模型

3、Inception模型（googleNet）

1、AlexNet网络模型

2012年，Alex等人提出的AlexNet网络在ImageNet大赛上以远超第二名的成绩夺冠，卷积神经网络乃至深度学习重新引起了广泛的关注。主要特点有：

更深的网络结构
使用层叠的卷积层，即卷积层+卷积层+池化层来提取图像的特征
使用Dropout抑制过拟合
使用数据增强Data Augmentation抑制过拟合
使用Relu替换之前的sigmoid的作为激活函数
多GPU训练

网络模型如下：

参考链接：

（1）https://www.jianshu.com/p/00a53eb5f4b3

（2）https://www.cnblogs.com/wangguchangqing/p/10333370.html

（3）论文翻译：http://noahsnail.com/2017/07/04/2017-07-04-AlexNet%E8%AE%BA%E6%96%87%E7%BF%BB%E8%AF%91/

2、VGG网络模型

2014年，牛津大学计算机视觉组（Visual Geometry Group）和Google DeepMind公司的研究员一起研发出了新的深度卷积神经网络：VGGNet，并取得了ILSVRC2014比赛分类项目的第二名（第一名是GoogLeNet，也是同年提出的）和定位项目的第一名。但是VGG模型在多个迁移学习任务中的表现要优于googLeNet。而且，从图像中提取CNN特征，VGG模型是首选算法。它的缺点在于，参数量有140M之多，需要更大的存储空间。但是这个模型很有研究价值。

VGGNet的经典论文《Very Deep Convolutional Networks for Large-Scale Image Recognition》（基于甚深层卷积网络的大规模图像识别），在该论文中对VGG的思想、测试情况进行了详细介绍，建议阅读这篇论文加深了解。

（来自百度百科）主要特点如下：

（1）小卷积核。作者将卷积核全部替换为3x3（极少用了1x1）；

（2）小池化核。相比AlexNet的3x3的池化核，VGG全部为2x2的池化核；

（3）层数更深特征图更宽。基于前两点外，由于卷积核专注于扩大通道数、池化专注于缩小宽和高，使得模型架构上更深更宽的同时，计算量的增加放缓；

（4）全连接转卷积。网络测试阶段将训练阶段的三个全连接替换为三个卷积，测试重用训练时的参数，使得测试得到的全卷积网络因为没有全连接的限制，因而可以接收任意宽或高为的输入。

参考链接

（1）https://my.oschina.net/u/876354/blog/1634322

（2）论文翻译：https://blog.csdn.net/quincuntial/article/details/77386778

3、Inception模型（googleNet）

3.1[v1]

V1论文：Going Deeper with Convolutions，ensemble top5 error 6.67%，2014

V1论文翻译：https://blog.csdn.net/c_chuxin/article/details/82856502

V1论文解析1：https://www.jianshu.com/p/a2ad00eddbd5（内部取消全连接层的观点保留）

V1论文解析2：https://www.jianshu.com/p/22e3af789f4e

3.2[v2]

V2论文： Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift，ensemble top5 error 4.8%，2015

论文翻译：https://blog.csdn.net/Quincuntial/article/details/78124629

3.3[v3]

V3论文： Rethinking the Inception Architecture for Computer Vision，ensemble top5 error 3.5%，2015

论文翻译：https://blog.csdn.net/Quincuntial/article/details/78564389

论文解析[V1-V4]https://blog.csdn.net/loveliuzz/article/details/79135583

[v4] Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning，ensemble top5 error 3.08%，2016

4 ResNet

ResNet（Residual Neural Network）由微软研究院的Kaiming He等四名华人提出，对应的论文《Deep Residual Learning for Image Recognition》是 2016 CVPR 最佳论文，通过使用ResNet Unit成功训练出了152层的神经网络，并在ILSVRC2015比赛中取得冠军，在top5上的错误率为3.57%，同时参数量比VGGNet低，效果非常突出。ResNet的结构可以极快的加速神经网络的训练，模型的准确率也有比较大的提升。同时ResNet的推广性非常好，甚至可以直接用到InceptionNet网络中。

ResNet 是何凯明团队的作品，对应的论文《Deep Residual Learning for Image Recognition》是 2016 CVPR 最佳论文。ResNet 的 Res 也是 Residual 的缩写，它的用意在于基于残差学习，让神经网络能够越来越深，准确率越来越高

全网目前发现最好的一篇解析：https://blog.csdn.net/weixin_43624538/article/details/85049699

5Xception

Xception借鉴了depth wise separable conv改进InceptionV3，将空间和通道完全分离，从而提升了性能，降低了参数量。

论文: Deep Learning with Depthwise Separable Convolutios

翻译：https://blog.csdn.net/albertshi12/article/details/81303245

使用了深度可分离卷积：depthwise separable convolution

6、DenseNet

今天我们要介绍的是DenseNet模型，它的基本思路与ResNet一致，但是它建立的是前面所有层与后面层的密集连接（dense connection），它的名称也是由此而来。DenseNet的另一大特色是通过特征在channel上的连接来实现特征重用（feature reuse）。这些特点让DenseNet在参数和计算成本更少的情形下实现比ResNet更优的性能，DenseNet也因此斩获CVPR 2017的最佳论文奖。

论文翻译：https://zhuanlan.zhihu.com/p/31647627（Densely Connect Convolutional Networks），使用火狐浏览器

解析：https://blog.csdn.net/sigai_csdn/article/details/82115254

复现：https://github.com/titu1994/DenseNet