CNN模型的发展:自2012AlexNet-2017DRN的17篇CNN模型论文总结
深度学习最为根本的CNN模型架构,最基础的知识,深度学习研究者必学知识,了解一下?
卷积神经网络是深度学习的基础,尤其在计算机视觉领域发挥着重要的作用,从上世纪90年代的开山之作LeNet,到2012年的兴起之作AlexNet,从VGG,GoogLeNet再到ResNet和最近的DenseNet、DRN,卷积神经网络层数越来越深,架构越来越复杂,解决梯度问题方案设计越来越巧妙,性能也越来越好。下面我们便来看一下自2012AlexNet-2017DRN的网络特点吧。
这些都是以ImagNet数据集为基础的模型设计。
ImagNet数据集:
- ILSVRC图像分类和目标检测大赛的数据集
- Imagenet数据集是目前深度学习图像领域应用得非常多的一个领域,关于图像分类、定位、检测等研究工作大多基于此数据集展开。
- Imagenet数据集文档详细,有专门的团队维护,使用非常方便,在计算机视觉领域研究论文中应用非常广,几乎成为了目前深度学习图像领域算法性能检验的“标准”数据集。
- Imagenet数据集有1400多万幅图片,涵盖2万多个类别;
- 使用最为广泛,影响力最大的一个数据集
CNN模型的发展,2012-2017年的发展,2012AlexNet-2017DRN的17篇CNN模型论文总结。
以上是这17篇文章的总结,稍后将会陆续推出各篇论文的详细架构,可能会稍晚一些,欢迎大家继续关注。