1、分类网络
1)LeNet、AlexNet、VGG、Inception(GoogleNet)
2)Xception(对Inception的优化)
参考:https://blog.csdn.net/lk3030/article/details/84847879
Xception(极致的 Inception):先进行普通卷积操作,再对1×1 卷积后的每个channel分别进行3×3卷积操作,最后将结果 concat
3)Resnet
4)IGCV2
参考:https://blog.csdn.net/h__ang/article/details/88938364
使用两组卷积核进行特征提取。
2、检测网络
Mask R-CNN、Fast R-CNN、Faster R-CNN、SSD、Yolo
3、端侧网络
MobileNet、ShuffleNet
4、经典网络
1)ResNet
参考:https://www.jianshu.com/p/cd3be2fcc8a3
残差网络,解决了网络深时候的梯度消失问题,从而可以得到更深的网络
残差模型:H(x)=F(x)+x
2)Inception
参考:http://baijiahao.baidu.com/s?id=1601882944953788623&wfr=spider&for=pc
对输入图像并行地执行多个卷积运算或池化操作,并将所有输出结果拼接为一个非常深的特征图。
使用更小更多的卷积核代替大的卷积核,并将多个小卷积核的结果合并。
3)DenseNet
参考:https://blog.csdn.net/dulingtingzi/article/details/79927441
从feature入手,通过对feature的极致利用达到更好的效果和更少的参数。
每一层的输入来自前面所有层的输出。