深度学习---卷积神经网络解决分类与回归问题

最新推荐文章于 2024-10-06 15:47:16 发布

wowMJX

最新推荐文章于 2024-10-06 15:47:16 发布

阅读量1.4w

点赞数 11

分类专栏：深度学习

本文链接：https://blog.csdn.net/wowMJX/article/details/107450244

版权

本文介绍了卷积神经网络的发展历程，包括LeNet、AlexNet、GoogleNet和VGGNet等，强调了更深的网络结构对性能的提升。接着，详细讨论了分类和回归的区别与联系，指出物体检测结合了两者。最后，阐述了CNN训练过程，包括模型选择、微调策略、回归模块的添加，并提到了滑动窗口、选择性搜索算法以及R-CNN、fast R-CNN和faster R-CNN等物体检测方法。

摘要由CSDN通过智能技术生成

一、CNN神经网络的发展史：
Lenet，1986年
Alexnet，2012年 2012年，Imagenet比赛冠军的model——Alexnet [2]（以第一作者alex命名），AlexNet 是一种典型的 convolutional neural network，它由5层 convolutional layer，2层 fully connected layer，和最后一层 label layer (1000个node, 每个node代表ImageNet中的一个类别) 组成
GoogleNet，2014年 14年比赛冠军的model，这个model证明了一件事：用更多的卷积，更深的层次可以得到更好的结构。
VGG，2014年 VGGNet是google和牛津大学一起研发的卷积神经网络，VGG-Net不同于AlexNet的地方是：VGG-Net使用更多的层，通常有16－19层，而AlexNet只有8层。另外一个不同的地方是：VGG-Net的所有convolutional layer 使用同样大小的 convolutional filter，大小为 3 x 3。
Deep Residual Learning，2015年，这个model是2015年底最新给出的，也是15年的imagenet比赛冠军。可以说是进一步将conv进行到底，最深的model采用的152层
不同的卷积神经网络的对比：