計(jì)算機(jī)視覺深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)整理

這是一個(gè)深度學(xué)習(xí)的航海地理大發(fā)現(xiàn)時(shí)代,每年都有新思想而线、新技術(shù)誕生。這是最好的時(shí)代恋日,也是最壞的時(shí)代膀篮!
論文、開源實(shí)現(xiàn)(pytorch,tensorflow等)鏈接

圖像分類 發(fā)表日期 作者 簡(jiǎn)要介紹
LeNet 1998 Yann LeCun 早期卷積神經(jīng)網(wǎng)絡(luò)中的代表系統(tǒng)之一岂膳,2個(gè)卷積層誓竿、2個(gè)池化層和3個(gè)全連接層。用于銀行支票上的手寫數(shù)字識(shí)別谈截。
AlexNet 2012 Alex Krizhevsky 架構(gòu)有5個(gè)卷積層和3個(gè)全連接層筷屡,使用了ReLU激活函數(shù)、dropout層簸喂、LRN(Local Responce Normalization,實(shí)踐中發(fā)現(xiàn)沒多大作用?)毙死、數(shù)據(jù)增強(qiáng)及CUDA加速等技術(shù)。
ZFnet 2013 MD Zeiler alexnet基礎(chǔ)上的改動(dòng)喻鳄,亮點(diǎn)是通過使用可視化技術(shù)揭示了神經(jīng)網(wǎng)絡(luò)各層的作用规哲。
NIN 2013 Network In Network, 用1*1卷積代替FC層?
VGGNet 2014 (Visual Geometry Group) 結(jié)構(gòu)非常簡(jiǎn)潔诽表,反復(fù)堆疊3x3的小型卷積核和2x2的最大池化層構(gòu)建唉锌。
GoogLeNet 2014 受NIN啟發(fā)隅肥,引入Inception結(jié)構(gòu),無需人為決定使用什么樣的過濾器。
FCN 2014 Fully Convolutional Networks,可以接受任意大小的輸入圖像
ResNet 2015 何愷明 深度殘差網(wǎng)絡(luò),在網(wǎng)絡(luò)深度上不斷加深袄简,但其網(wǎng)絡(luò)較瘦腥放,控制了參數(shù)數(shù)量,存在明顯層級(jí)绿语,特征圖個(gè)數(shù)逐層遞進(jìn)秃症,保證輸出特征表達(dá)能力,沒有使用Dropout吕粹,利用BN和全局平均池化進(jìn)行正則化种柑,加快了訓(xùn)練速度。ResNet有多個(gè)模型匹耕,常用的有ResNet-50聚请, ResNet-101,ResNet-152等稳其。
DenseNet 2016 任何兩層之間都有直接的連接驶赏,減輕了vanishing-gradient(梯度消失) ,加強(qiáng)了feature的傳遞既鞠,更有效地利用了feature煤傍,并在一定程度上較少了參數(shù)數(shù)量。密集連接:緩解梯度消失問題嘱蛋,加強(qiáng)特征傳播蚯姆,鼓勵(lì)特征復(fù)用,極大的減少了參數(shù)量洒敏。
DPN 2017 Dual Path Networks
輕量化網(wǎng)絡(luò) 發(fā)表日期 作者 簡(jiǎn)要介紹
SqueezeNet 2016.02 伯克利&斯坦福 新的網(wǎng)絡(luò)架構(gòu)Fire Module龄恋,通過減少參數(shù)來進(jìn)行模型壓縮,并對(duì)參數(shù)空間進(jìn)行了探索桐玻,更適合在FPGA等內(nèi)存受限的設(shè)備上部署篙挽。
MobileNet 2016.04 Google 移動(dòng)端,引入了傳統(tǒng)網(wǎng)絡(luò)中采用的group思想,即限制濾波器的卷積計(jì)算只針對(duì)特定的group中的輸入镊靴,從而大大降低了卷積計(jì)算量铣卡,提升了移動(dòng)端前向計(jì)算的速度,適合在嵌入式設(shè)備上部署偏竟。
ShuffleNet 2016.06 Face++ 移動(dòng)端,對(duì)移動(dòng)端低功耗設(shè)備提出了一種更為高效的卷積模型結(jié)構(gòu)煮落,在大幅降低模型計(jì)算復(fù)雜度的同時(shí)仍然保持了較高的識(shí)別精度。
Xception 2016.10 Google --

*notice 目標(biāo)檢測(cè)踊谋,NG主要講YOLO蝉仇,RCNN則為選修課?

目標(biāo)檢測(cè) 發(fā)表日期 作者 簡(jiǎn)要介紹
RCNN 2013 目標(biāo)檢測(cè)里程碑之作,利用selective search算法從待檢測(cè)圖像中提取2000個(gè)左右的候選框轿衔,用CNN提取每個(gè)候選框的特征沉迹,得到固定長(zhǎng)度的特征向量并送入SVM中進(jìn)行分類得到類別信息,送入全連接網(wǎng)絡(luò)進(jìn)行回歸得到對(duì)應(yīng)位置的坐標(biāo)信息害驹。
SPP-Net SPP-Net是在RCNN的基礎(chǔ)上提出鞭呕,該方法還依賴候選框的生成,但將提取候選框特征向量的操作轉(zhuǎn)移到卷積后的特征圖上進(jìn)行宛官,將RCNN中的多次卷積變?yōu)橐淮尉矸e葫松,大大降低了計(jì)算量。
Fast RCNN 2015 Ross Girshick 針對(duì)SPP-Net進(jìn)一步的改進(jìn)底洗,主要?jiǎng)?chuàng)新是ROI Pooling層腋么,它將不同大小候選框的卷積特征圖統(tǒng)一采樣成固定大小的特征。另外Fast RCNN針對(duì)RCNN和SPP-Net多階段訓(xùn)練亥揖,耗費(fèi)時(shí)間空間的問題進(jìn)行改進(jìn)珊擂,將深度網(wǎng)絡(luò)和后面的SVM分類兩個(gè)階段融合到一起,使用一個(gè)新的網(wǎng)絡(luò)直接做分類和回歸徐块。
Faster RCNN 2015 Shaoqin Ren等 在主干網(wǎng)絡(luò)增加了RPN網(wǎng)絡(luò)未玻,通過一定的規(guī)則設(shè)置不同尺度的錨點(diǎn)在RPN的卷積特征層提取候選框來代替Selective Search等傳統(tǒng)的候選框生成方法灾而,實(shí)現(xiàn)了網(wǎng)絡(luò)的端到端訓(xùn)練胡控。
R-FCN 2016 在Faster RCNN的基礎(chǔ)上通過引入位置敏感得分圖,將ROI-wise subnetwork消滅了旁趟,直接在位置敏感得分圖上利用ROI Pooling進(jìn)行信息采樣融合分類和位置信息昼激。
YOLO-v1 2015 區(qū)別于RCNN系列為代表的兩步檢測(cè)算法,YOLO-v1舍棄了候選框提取分支锡搜,直接將特征提取橙困、候選框回歸和分類在一個(gè)無分支的卷積網(wǎng)絡(luò)中完成,使得網(wǎng)絡(luò)結(jié)構(gòu)變得簡(jiǎn)單耕餐,檢測(cè)速度較Faster RCNN也有近10倍的提升凡傅。
YOLO-v2 加入當(dāng)下熱門的批量歸一化層以及殘差網(wǎng)絡(luò)結(jié)構(gòu)外,還針對(duì)性的訓(xùn)練了一個(gè)高分辨率的分類網(wǎng)絡(luò)肠缔。
YOLO-v3 采用多尺度預(yù)測(cè)及更好的backbone網(wǎng)絡(luò)夏跷,分類損失采用binary cross-entropy損失函數(shù)替換softmax損失函數(shù)
SSD 2015 Single Shot MultiBox Object Detector,對(duì)YOLO-v1進(jìn)行改進(jìn)明未,達(dá)到了和兩階段深度學(xué)習(xí)目標(biāo)檢測(cè)算法相當(dāng)?shù)木炔刍瑫r(shí)又保持了較快的運(yùn)行速度,SSD也才采用了網(wǎng)格劃分的思想趟妥,和Faster RCNN不同的是猫态,它將所有的操作整合在一個(gè)卷積網(wǎng)絡(luò)中完成。
人臉識(shí)別 發(fā)表日期 作者 簡(jiǎn)要介紹
siamese network 孿生網(wǎng)絡(luò)
FaceNet .
DeepFace? .

siamese network 孿生網(wǎng)絡(luò) ?

參考:

  1. Andrew NG : 卷積網(wǎng)絡(luò)實(shí)例探究
  2. CNN網(wǎng)絡(luò)架構(gòu)演進(jìn):從LeNet到DenseNet
  3. 1x1卷積核的作用
  4. 輕量化卷積神經(jīng)網(wǎng)絡(luò)
  5. 各種架構(gòu)的指標(biāo)對(duì)比

Train CIFAR10 with PyTorch

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市亲雪,隨后出現(xiàn)的幾起案子勇凭,更是在濱河造成了極大的恐慌,老刑警劉巖义辕,帶你破解...
    沈念sama閱讀 217,542評(píng)論 6 504
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件套像,死亡現(xiàn)場(chǎng)離奇詭異,居然都是意外死亡终息,警方通過查閱死者的電腦和手機(jī)夺巩,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,822評(píng)論 3 394
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來周崭,“玉大人柳譬,你說我怎么就攤上這事⌒颍” “怎么了美澳?”我有些...
    開封第一講書人閱讀 163,912評(píng)論 0 354
  • 文/不壞的土叔 我叫張陵,是天一觀的道長(zhǎng)摸航。 經(jīng)常有香客問我制跟,道長(zhǎng),這世上最難降的妖魔是什么酱虎? 我笑而不...
    開封第一講書人閱讀 58,449評(píng)論 1 293
  • 正文 為了忘掉前任雨膨,我火速辦了婚禮,結(jié)果婚禮上读串,老公的妹妹穿的比我還像新娘聊记。我一直安慰自己,他們只是感情好恢暖,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,500評(píng)論 6 392
  • 文/花漫 我一把揭開白布排监。 她就那樣靜靜地躺著,像睡著了一般杰捂。 火紅的嫁衣襯著肌膚如雪舆床。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 51,370評(píng)論 1 302
  • 那天嫁佳,我揣著相機(jī)與錄音挨队,去河邊找鬼。 笑死脱拼,一個(gè)胖子當(dāng)著我的面吹牛瞒瘸,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播熄浓,決...
    沈念sama閱讀 40,193評(píng)論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼情臭,長(zhǎng)吁一口氣:“原來是場(chǎng)噩夢(mèng)啊……” “哼省撑!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起俯在,我...
    開封第一講書人閱讀 39,074評(píng)論 0 276
  • 序言:老撾萬榮一對(duì)情侶失蹤竟秫,失蹤者是張志新(化名)和其女友劉穎,沒想到半個(gè)月后跷乐,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體肥败,經(jīng)...
    沈念sama閱讀 45,505評(píng)論 1 314
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,722評(píng)論 3 335
  • 正文 我和宋清朗相戀三年愕提,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了馒稍。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 39,841評(píng)論 1 348
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡浅侨,死狀恐怖纽谒,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情如输,我是刑警寧澤鼓黔,帶...
    沈念sama閱讀 35,569評(píng)論 5 345
  • 正文 年R本政府宣布,位于F島的核電站不见,受9級(jí)特大地震影響澳化,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜稳吮,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,168評(píng)論 3 328
  • 文/蒙蒙 一缎谷、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧盖高,春花似錦慎陵、人聲如沸眼虱。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,783評(píng)論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)捏悬。三九已至撞蚕,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間过牙,已是汗流浹背甥厦。 一陣腳步聲響...
    開封第一講書人閱讀 32,918評(píng)論 1 269
  • 我被黑心中介騙來泰國(guó)打工, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留寇钉,地道東北人刀疙。 一個(gè)月前我還...
    沈念sama閱讀 47,962評(píng)論 2 370
  • 正文 我出身青樓,卻偏偏與公主長(zhǎng)得像扫倡,于是被迫代替她去往敵國(guó)和親谦秧。 傳聞我的和親對(duì)象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 44,781評(píng)論 2 354

推薦閱讀更多精彩內(nèi)容