CNN模型的发展：自2012AlexNet-2017DRN的17篇CNN模型论文总结

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。