图像识别经典论文汇总（按年份排，并附论文和模型链接）

莫听穿林打叶声@

已于 2022-11-01 21:17:15 修改

阅读量6.7k

点赞数 18

文章标签：深度学习人工智能

于 2022-10-05 11:54:53 首次发布

本文链接：https://blog.csdn.net/weixin_45703331/article/details/127170671

版权

1998年：LeNet

《Gradient-based Learning Applied to Document Recognition》

论文：http://lushuangning.oss-cn-beijing.aliyuncs.com/CNN%E5%AD%A6%E4%B9%A0%E7%B3%BB%E5%88%97/Gradient-Based_Learning_Applied_to_Document_Recognition.pdf
卷积神经网络的开山之作

2012年：AlexNet

《ImageNet Classification with Deep Convolutional Neural Networks》

论文：https://dl.acm.org/doi/10.1145/3065386
首次将卷积神经网络和深度学习应用于大型图像识别，提出来dropout层，为后来的BN层提供了灵感

2014年：R-CNN

《Rich feature hierarchies for accurate object detection and semantic segmentation》

首次将目标检测和卷积神经网络结合起来，并应用到工业级别。
R-CNN、fast-CNN、faster-CNN
将目标的分割和识别合二为一。
https://zhuanlan.zhihu.com/p/64694855
https://blog.csdn.net/v1_vivian/article/details/78599229

2015年：SPPNet

《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》

论文：https://arxiv.org/abs/1406.4729
借鉴了特征金字塔

2015年：GoogLeNet Inception V1 V2 V3 V4

V1：《Going deeper with convolutions》
V2：《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》
V3：《Rethinking the Inception Architecture for Computer Vision》(2015年)

V1:https://link.csdn.net/?target=https%3A%2F%2Fieeexplore.ieee.org%2Fdocument%2F7298594
V2:https://arxiv.org/pdf/1502.03167.pdf
V3:https://arxiv.org/pdf/1512.00567.pdf
更深的网络，直接解决计算和梯度递减问题

2015年：批量标准化

GoogLeNet V2：《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》

论文：https://arxiv.org/pdf/1502.03167.pdf
后来的网络逐渐开始使用BN层

2015年：VGGNet

《Very Deep Convolutional Networks for Large-Scale Image Recognition》

论文：[https://arxiv.org/abs/1409.1556](https://arxiv.org/abs/1409.1556）
模型：https://worksheets.codalab.org/worksheets/0xe2ac460eee7443438d5ab9f43824a819
使用了更深的网络，提出来预训练和权重初始化的重要性。开启了3*3的卷积时代，大大减少了参数量

2016年：ResNet

《Deep Residual Learning for Image Recognition》

论文：https://link.zhihu.com/?target=https%3A//arxiv.org/pdf/1512.03385.pdf

2016年：Xception

《Xception: Deep Learning with Depthwise Separable Convolutions》

论文：https://arxiv.org/abs/1610.02357
超越了ResNet和InceptionV3

2016年：Inception与ResNet结合的尝试

《Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning》

论文：https://arxiv.org/pdf/1602.07261.pdf

2017年：ResNet的改进ResNetV2

《Identity Mappings in Deep Residual Networks》

论文：https://arxiv.org/abs/1603.05027
对ResNet的改进

2017年：ResNet的一次改进DenseNet

《Densely Connected Convolutional Networks》

论文：https://link.csdn.net/?target=https%3A%2F%2Fopenaccess.thecvf.com%2Fcontent_cvpr_2017%2Fhtml%2FHuang_Densely_Connected_Convolutional_CVPR_2017_paper.html
模型：https://link.zhihu.com/?target=https%3A//github.com/liuzhuang13/DenseNet

2017年：ResNet的一次重大改进ResNext

《Aggregated Residual Transformations for Deep Neural Networks》

论文：https://arxiv.org/pdf/1611.05431.pdf
模型：https://github.com/facebookresearch/ResNeXt

2017年：MobileNet

《MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications》

论文：https://arxiv.org/abs/1704.04861
注意有V1，V2，V3

2017年：NASNet

《Learning Transferable Architectures for Scalable Image Recognition》

论文：https://arxiv.org/abs/1707.07012

2017年：SENet

《Squeeze-and-Excitation Networks》

论文：https://arxiv.org/abs/1709.01507
模型：https://github.com/hujie-frank/SENet
引入注意力机制的卷积神经网络

2017年：ShuffleNet

《ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices》

论文：https://arxiv.org/abs/1707.01083#:~:text=We%20introduce%20an%20extremely%20computation-efficient%20CNN%20architecture%20named,to%20greatly%20reduce%20computation%20cost%20while%20maintaining%20accuracy.
V1，V2版本