一些网络结构和讲解清晰的文章地址

VGG：https://zhuanlan.zhihu.com/p/41423739

变分自编码器：https://kexue.fm/archives/5253
googlenet(inception v1 v2 v3 v4)
一般来说，提升网络性能最直接的办法就是增加网络深度和宽度，深度指网络层次数量、宽度指神经元数量。但这种方式存在以下问题：
（1）参数太多，如果训练数据集有限，很容易产生过拟合；
（2）网络越大、参数越多，计算复杂度越大，难以应用；
（3）网络越深，容易出现梯度弥散问题（梯度越往后穿越容易消失），难以优化模型。

1x1的卷积核如何发挥作用？

1x1卷积的主要目的是为了减少维度，还用于修正线性激活（ReLU）。比如，上一层的输出为100x100x128，经过具有256个通道的5x5卷积层之后(stride=1，pad=2)，输出数据为100x100x256，其中，卷积层的参数为128x5x5x256= 819200。而假如上一层输出先经过具有32个通道的1x1卷积层，再经过具有256个输出的5x5卷积层，那么输出数据仍为为100x100x256，但卷积参数量已经减少为128x1x1x32 + 32x5x5x256= 204800，大约减少了4倍。

RESNET

DENSENET

RCNN：https://analyticsindiamag.com/r-cnn-vs-fast-r-cnn-vs-faster-r-cnn-a-comparative-guide/

感兴趣区域池化（Region of interest pooling）（也称为RoI pooling）https://zhuanlan.zhihu.com/p/65423423

Fast RCNN:

Faster RCNN :改进：对感兴趣区域的提出的方法（利用CNN提特征）

上述的对比：https://analyticsindiamag.com/r-cnn-vs-fast-r-cnn-vs-faster-r-cnn-a-comparative-guide/
以上都是两阶段方法。以下是一阶段基于回归的目标检测方法。
YOLO：https://appsilon.com/object-detection-yolo-algorithm/

SSD：https://zhuanlan.zhihu.com/p/33544892