经典网络模型 —— 盘点 21篇必读论文与网络模型 + 5种常见数据集-CSDN博客

本文链接：https://blog.csdn.net/weixin_45084253/article/details/124526352

🤵 Author ：Horizon John

✨ 编程技巧篇：各种操作小结

🏆 神经网络篇：经典网络模型

经典网络模型 —— 盘点🔥21篇必读论文与网络模型 + 🔥5种常见数据集

✨ ~ 持续更新中 ~ ✨
⭕ 已更新 ⭕
❌ 未更新 ❌
⛳ 01 数据集篇
⛳ 02 图像分类篇
⛳ 03 目标检测篇
⛳ 04 轻量级网络篇
⛳ 05 注意力机制篇
⛳ 06 实战篇
- 🚀 CIFAR-10 图像分类

✨ ~ 持续更新中 ~ ✨

⭕ 已更新 ⭕

❌ 未更新 ❌

⛳ 01 数据集篇

🚀 MNIST

数据集地址：THE MNIST DATABASE of handwritten digits

博客介绍 📖 ：[ 数据集 ] MNIST数据集介绍

在这里插入图片描述

🚀 CIFAR-10

数据集 🔗 ：The CIFAR-10 dataset

博客介绍 📖 ：[ 数据集 ] CIFAR-10数据集介绍

在这里插入图片描述

🚀 VOC 2012

数据集 🔗 ：Visual Object Classes Challenge 2012 (VOC2012)

博客介绍 📖 ：[ 数据集 ] VOC 2012 数据集介绍

在这里插入图片描述

🚀 COCO

数据集 🔗 ：COCO Dataset

博客介绍 📖 ：[ 数据集 ] COCO 数据集介绍

在这里插入图片描述

🚀 ImageNet

数据集 🔗 ：ImageNet Large Scale Visual Recognition Challenge (ILSVRC)

博客介绍 📖 ：[ 数据集 ] ImageNet 数据集介绍

在这里插入图片描述

⛳ 02 图像分类篇

🚀 AlexNet

论文 🔗 ：ImageNet Classification with Deep Convolutional Neural Networks

博客介绍 📖 ：[ 图像分类 ] 经典网络模型1——AlexNet 详解与复现

在这里插入图片描述

🚀 GoogLeNet

论文 🔗 ：Going deeper with convolutions

博客介绍 📖 ：[ 图像分类 ] 经典网络模型2——GoogLeNet 详解与复现

在这里插入图片描述

🚀 VGG

论文 🔗 ：Very Deep Convolutional Networks for Large Scale Image Recognition

博客介绍 📖 ：[ 图像分类 ] 经典网络模型3——VGG 详解与复现

在这里插入图片描述

🚀 ResNet

论文 🔗 ：Deep Residual Learning for Image Recognition

博客介绍 📖 ：[ 图像分类 ] 经典网络模型4——ResNet 详解与复现

在这里插入图片描述

🚀 DenseNet

论文 🔗 ：Densely Connected Convolutional Networks

博客介绍 📖 ：[ 图像分类 ] 经典网络模型5——DenseNet 详解与复现

在这里插入图片描述

⛳ 03 目标检测篇

整体概述：

1、Faster R-CNN：

原理：Faster R-CNN 是一个两阶段目标检测算法，主要由两个部分组成：Region Proposal Network (RPN) 和 Fast R-CNN。RPN 用于生成候选框，Fast R-CNN 用于对候选框进行分类和回归。
优点：检测精度高，准确率和召回率都比较高；采用了 end-to-end 的训练方式，可以直接优化整个系统的性能；可以使用预训练模型加速模型训练。
缺点：速度较慢，由于需要两个阶段进行检测，因此比较耗时。

2、YOLO：

原理：YOLO 是一个单阶段目标检测算法，将输入图像划分为多个网格，并在每个网格中预测目标类别和边界框。同时，YOLO 还采用了 anchor boxes 的机制，对不同大小的目标进行检测。
优点：检测速度快，可以实时处理视频流；端到端的训练方式，训练过程简单；可以预测出每个目标的类别和位置，定位精度高。
缺点：检测精度不如 Faster R-CNN 和 SSD。

3、SSD：

原理：SSD 是一个单阶段目标检测算法，将输入图像划分为多个特征层，并在每个特征层中预测目标类别和边界框。同时，SSD 还采用了多尺度特征图的机制，对不同大小的目标进行检测。
优点：检测速度快，可以实时处理视频流；可以对多个尺度的特征图进行检测，检测精度较高。
缺点：相比于 Faster R-CNN，检测精度还是稍微低一些；训练过程较为复杂。

综上所述，Faster R-CNN 精度高但速度慢，YOLO 速度快但精度略低，SSD 速度快且精度高，但训练过程较为复杂。

🚀 R-CNN

论文 🔗 ：Rich feature hierarchies for accurate object detection and semantic segmentation

博客介绍 📖 ：[ 目标检测 ] 经典网络模型1——R-CNN 详解与复现

该算法首先提取出图像中的一系列候选区域（region proposal），然后使用卷积神经网络（CNN）对每个候选区域进行特征提取和分类。这种方法虽然取得了较好的效果，但存在两个主要问题：

候选区域的提取速度较慢，需要使用一些耗时的外部工具，如Selective Search；
R-CNN需要逐个处理每个候选区域，导致算法效率较低；

在这里插入图片描述

🚀 Fast R-CNN

论文 🔗 ：Fast R-CNN

博客介绍 📖 ：[ 目标检测 ] 经典网络模型2——Fast R-CNN 详解与复现

Fast R-CNN 在 R-CNN 的基础上进一步优化得到的算法，其主要改进是引入了 RoI Pooling 操作，可以在特征图上直接提取感兴趣区域的特征，然后使用全连接层进行分类和回归。

相较于 R-CNN，Fast R-CNN 的优点在于可以共享卷积层的计算，减少重复计算，提高了检测速度。但是由于需要对整个图像进行卷积计算，速度仍然较慢。

在这里插入图片描述

🚀 Faster R-CNN

论文 🔗 ：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

博客介绍 📖 ：[ 目标检测 ] 经典网络模型3——Faster R-CNN 详解与复现

它解决了Fast R-CNN中的区域提取问题。Faster R-CNN 是在 Fast R-CNN 的基础上引入了 RPN (Region Proposal Network) 算法，将目标检测任务划分为两个子任务：候选区域生成和目标分类与定位。

其中，RPN 可以在特征图上直接生成候选区域，避免了选择性搜索算法，提高了检测速度。相较于 Fast R-CNN，Faster R-CNN 的优点在于速度更快，准确率更高，但由于需要训练两个网络，训练时间较长。

在这里插入图片描述

🚀 SSD

论文 🔗 ：SSD: Single Shot MultiBox Detector

博客介绍 📖 ：[ 目标检测 ] 经典网络模型4——SSD 详解与复现

SSD 在原图上进行滑窗操作，同时在每个滑窗位置对多个不同大小和宽高比的先验框（prior box）进行预测，利用回归和分类网络预测先验框的类别和位置，然后根据预测得分和阈值，对边界框进行筛选，最终输出检测结果。SSD 的创新点在于引入了多尺度的特征图，通过多层的卷积操作，提取不同尺度下的特征，使得算法在处理不同大小目标时更加有效。

算法优点与缺点：

快速准确：SSD 是一个单阶段的检测器，只需要一个神经网络就可以同时完成检测和分类任务，速度较快。
鲁棒性强：SSD 采用多尺度特征图提取，使得算法对目标大小和位置的变化有较好的适应性，具有较强的鲁棒性。
简单高效：SSD 不需要使用复杂的区域建议算法，训练和测试都很简单高效。
对小目标检测不够准确：SSD 在处理小目标时存在一定的困难，因为小目标的特征比较难以区分，容易受到周围背景的影响。
检测范围受限：SSD 的检测范围受到特征图大小的限制，对于较大的目标可能会出现漏检问题。

在这里插入图片描述

🚀 YOLO-v1

作者 🔗 ：Survival Strategies for the Robot Rebellion

论文 🔗 ：You Only Look Once: Unified, Real-Time Object Detection

博客介绍 📖 ：[ 目标检测 ] 经典网络模型5——YOLO-v1 详解与复现

YOLOv1将整个图像划分成网格，每个网格预测固定数量的边界框和它们对应的类别概率。

相较于R-CNN系列算法，YOLOv1的优点是速度快、单阶段检测、在大规模数据集上表现好，但它的缺点是定位精度相对较差，尤其是对于小目标的检测表现不佳。

在这里插入图片描述

🚀 YOLO-v2

论文 🔗 ：YOLO9000: Better, Faster, Stronger

博客介绍 📖 ：[ 目标检测 ] 经典网络模型6——YOLO-v2 详解与复现

它通过使用更深的卷积神经网络模型（Darknet-19）和采用多尺度特征融合的方式来提高检测精度。此外，YOLO-v2在预测边界框时使用了anchor机制，并引入了Batch Normalization和LeakyReLU激活函数等优化方法，使得在速度和精度之间达到了更好的平衡。

在这里插入图片描述

🚀 YOLO-v3

论文 🔗 ：YOLOv3: An Incremental Improvement

博客介绍 📖 ：[ 目标检测 ] 经典网络模型7——YOLO-v3 详解与复现

它使用了更深的神经网络模型（Darknet-53），以及YOLO-v2中的改进。此外，YOLO-v3还引入了一些新的技术，例如FPN（Feature Pyramid Network）、多尺度预测和边界框大小预测等，使得检测精度得到了大幅提升。

在这里插入图片描述

🚀 YOLO-v4

论文 🔗 ：YOLOv4: Optimal Speed and Accuracy of Object Detection

博客介绍 📖 ：[ 目标检测 ] 经典网络模型8——YOLO-v4 详解与复现

它主要的改进点是在模型架构、损失函数、数据增强和训练策略等方面进行了优化。YOLO-v4引入了CSPNet（Cross-Stage Partial Network）模块来加速网络计算，使用了SAM（Spatial Attention Module）机制来加强特征图的语义信息，以及对于数据增强和训练策略进行了深入研究。YOLO-v4在速度和精度方面都有很大提升。

在这里插入图片描述