卷积神经网络的发展及各模型的优缺点

CNN模型进化史
最新推荐文章于 2025-10-07 23:35:35 发布
原创 最新推荐文章于 2025-10-07 23:35:35 发布 · 1.5w 阅读 · 81 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#神经网络 #计算机视觉 #VGG #MobileNet #ShuffleNet

本文回顾了CNN模型的发展历程，从AlexNet的开创性工作到VGG、GoogleNet、ResNet的深化，再到轻量级网络如MobileNet、ShuffleNet的兴起。探讨了各模型的创新点、解决的问题及对后续研究的影响。
前沿

在CV领域，我们需要熟练掌握最基本的知识就是各种卷积神经网络CNN的模型架构，不管我们在图像分类或者分割，目标检测，NLP等，我们都会用到基本的CNN网络架构。

CNN从最初的2012年AlexNet横空出世到2014年VGG席卷世界以及2015年ResNet奠定了该领域的霸主地位，网络模型变得越变越深，而且也得到证明，越深的网络拟合效果越好，但网络相应的参数量计算量都极速增加，不利于技术的推广和应用。因此，一些轻量级的网络结构也慢慢随之出现，比如MobileNet系列，ShuffleNet系列，以及ResNext、DenseNet、EfficenceNet等模型，他们都互相吸取彼此的优点，不但降低了参数量或者计算量，同时分类精度更高，因而受到了更多的关注。接下来我们就对CNN的各种网络结构以及他们的优缺点进行一次详细的解读！

AlexNet(2012)

在这里插入图片描述
1、增加了relu非线性激活函数，增强了模型的非线性表达能力。成为以后卷积层的标配。
2、dropout层防止过拟合，成为以后fc层的标配。
3、通过数据增强，来减少过拟合。
4、引入标准化层（Local Response Normalization）:通过放大那些对分类贡献较大的神经元，抑制那些对分类贡献较小的神经元，通过局部归一的手段，来达到作用。

VGG(2014)

在这里插入图片描述
论文的主要创新点在于：
1、用3x3小卷积核代替了5x5或者7x7的卷积核
2、基于ALexnet加深了网络深度,证明了更深的网络，能更好

最低0.47元/天 解锁文章
卷积神经网络的优点？为什么用小卷积核？
优快云 精品推荐
08-08 1340
多层组合： 使用多个小卷积核堆叠可以达到与一个大卷积核相似的感受野，但具有更多的非线性变换，有助于更好地捕捉特征。总之，小卷积核在参数共享、计算效率、多尺度特征捕捉等方面具有优势，使其成为卷积神经网络中常用的组件。参数共享： 卷积操作的参数共享能够减少模型的参数数量，降低过拟合的风险，提高训练效率。处理不同尺度： 使用不同大小的小卷积核可以同时捕捉不同尺度的特征，适应多种图像结构。参数共享： 小卷积核可以实现更强的参数共享，减少模型参数数量，降低过拟合的风险。
PyTorch深度学习实战（11）——卷积神经网络
盼小辉丶的博客
08-14 2万+
卷积神经网络 (Convolutional Neural Network, CNN) 是一种广泛应用的深度学习模型。通过参数共享、局部感知和空间结构等优势，能够更好地处理图像数据，并在图像识别、目标检测和图像生成等任务中展现出强大的能力。在本节中，介绍了卷积的计算方法以及卷积神经网络的基本组件，并使用 PyTorch 构建了卷积神经网络以深入了解其工作原理。
卷积神经网络的优点_「专家有料」人工智能学习：让猫和鸟教你读懂卷积神经网络...
weixin_39556811的博客
12-16 2871
作者：华为人工智能高级讲师 王豪聪 华为人工智能专业建设首席架构师 张志峰随着计算机技术的不断发展，网络上的图像数据越来越多。根据GIV组织的预测，到2025年，所有网络数据中89%是图片(视频)数据。因此，图像处理技术变得越来越重要。在众多图像处理算法中，卷积神经网络是最重要的一种，被大量应用于计算机视觉、自然语言处理等人工智能领域 。什么是卷积神经网络？听到“卷积”、“神经网络”，你脑海中也...
卷积神经网络的优点_CVPR 2020 | 通道差异化学习的自校正卷积神经网络
weixin_39658716的博客
12-16 702
卷积神经网络在计算机视觉等各项任务中都取得了不错的表现，目前的研究都聚焦于设计复杂的网络结构来增强他们的学习表达能力。但大部分卷积神经网络(Convolutional Neural Network, CNN)通过统一的小卷积核 （例如，3x3）来融合空间和通道信息，然后叠加合并各个通道的信息，但这种方式的设计会使各个通道学习相似的特征，并未学习到特征之间的差异性。本文给大家分享一篇CVPR的论文...
0.6 卷积神经网络
最新发布
qq_34047402的博客
10-07 1100
本文分析了全连接神经网络的缺点，并介绍了卷积神经网络(CNN)的改进方法。全连接层存在参数过多、忽略空间信息等问题，而CNN通过卷积核提取局部特征，具有参数共享、平移不变性等优势。文章详细讲解了卷积计算、批标准化、池化等核心操作，并以CIFAR-10数据集为例，展示了CNN模型的构建、训练和评估过程。通过对比实验验证，CNN能有效降低参数量、提高特征提取能力，是处理图像数据的优选架构。
都说卷积神经网络是个好东西，但它有什么弊端呢?
AI科技大本营
01-22 5965
图片来源：Mathworks翻译 | 王赫编辑 | Donna2012年，三位深度学习的“巨人”Alex Krizhevsky, Ilya Sutskever 和 Geoffrey Hinton，联合发表了题为 “ImageNet Classification with Deep Convolutional Networks” 的论文。自此，卷积神经网络( CNNs )就成了一个万人追捧的工具，并
卷积神经网络的优缺点
weixin_42593701的博客
01-05 5123
卷积神经网络有很多优点，其中一些是： 可以自动学习图像中的特征，比手动设计的特征更加精确和强大。 在处理大型图像数据集时，卷积神经网络能够获得更好的精度和效率。 卷积神经网络在处理图像中的平移不变性时非常有效，这使得它们在处理视觉问题时特别有用。 但是，卷积神经网络也有一些缺点，其中一些是： 卷积神经网络的训练速度很慢，因为它们需要处理大量的数据。 卷积神经网络需要大量的计算资源，这...
Bayesian_CNN_贝叶斯卷积神经网络_
09-29
总结，贝叶斯卷积神经网络结合了贝叶斯统计与卷积神经网络的优点，提供了对模型参数不确定性及模型不确定性的估计，增强了模型的泛化能力。在MNIST数据集上的应用展示了其在图像识别领域的潜力，尤其是在面对复杂或...
融合潜在语义索引与卷积神经网络的深度智能阅读模型
08-15
本模型特别结合了潜在语义索引（Latent Semantic Indexing，简称LSI）和卷积神经网络（Convolutional Neural Networks，简称CNN），实现了对文本数据的深层次语义特征提取和模式识别。潜在语义索引作为一种信息检索...
深度学习卷积神经网络与循环神经网络的结构及应用详解：从基础概念到股票预测系统设计卷积神经网络
05-20
内容概要：本文档详细介绍了卷积神经网络（CNN）及其在深度学习中的应用，从深度学习的概念出发，对比传统BP算法，强调了深度学习自动提取特征的能力。接着深入讲解了CNN的结构，包括卷积层、池化层、全连接层等基本...
卷积神经网络的缺点
zhuiyunzhugang的博客
05-05 8483
1.做卷积神经网络需要将数据集归一化。不同的尺寸混合在一起难以训练。 2.卷积神经网络没有记忆功能。 3.对图像处理很友善，对视频语音自然语言处理能力差 ...
卷积神经网络为什么这么有效
06-26
在机器视觉和其他很多问题上，卷积神经网络取得了当前最好的效果，它的成功促使我们思考一个问题，卷积神经网络为什么会这么有效？在本文中，SIGAI将为大家分析卷积神经网络背后的奥秘。
卷积神经网络的三个特点,卷积神经网络三大特点
神器榜
10-12 9009
卷积神经网络（Convolutional Neural Network,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。[1] 它包括卷积层(alternating convolutional layer)和池层(pooling layer)。卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。
卷积神经网络优点
热门推荐
qq_32793701的博客
08-29 3万+
卷积神经网络是在Hub等人对猫的视觉皮层中细胞的研究基础上，通过拟生物大脑皮层构而特殊设计的含有多隐层的人工神经网络。卷积层、池化层、激活函数是卷积神经网路的要组部分。卷积神经网络通过局部感受野、权重共享和降采样3种策略，降低了网络模型的复杂度，同时对于平移、旋转、尺度缩放等形式的变有度的不变性。因此被广泛应用于图像分类、目标识别、语音识别等领域一般情况下，常见的卷积神经网络由输入层、卷积层、激活...
卷积神经网络的优点
QQ_2642160196的博客
02-01 1万+
优点： 1.在卷积层所用的权重和偏置的参数较少，两个原因：（1）参数共享； （ 2）稀疏连接。 2. 具有平移不变性，即使图片中的目标位置平移到图片另一个地方，卷积神经网络仍然能很好地识别出这个目标，输出的结果也和原来未平移之前是一致的。 ...
卷积神经网络的优点_深度卷积网络——极简版解释
weixin_39614094的博客
12-16 5944
在了解完神经网络之后，下一个要了解的就是深度学习。深度学习当中最常用的方法就是深度卷积网络。比起神经网络来说，深度卷积网络的优点在于对特征值进行计算而不是对原始值进行计算。例如，人类在识别一个小狗的图像的时候，从来不会一个一个像素的思考这只狗是不是小狗，只要看到小狗的四条腿、皮毛的特征的时候就知道是小狗，相对来说计算量大幅度降低。对于传统的神经网络来说，所有的数据是一股脑计算的，因而不仅计算量大，...
深度解析：卷积神经网络的奥秘与魅力
2301_77444219的博客
07-23 807
在当今的人工智能时代，卷积神经网络（Convolutional Neural Networks，简称CNNs）无疑是计算机视觉领域的明星。从图像识别到自动驾驶汽车，从医学影像分析到艺术创作，CNNs的应用无处不在，其背后的原理也值得我们深入探索。本文旨在揭开CNNs的神秘面纱，揭示其工作原理与内在机制。
14.卷积神经网络
yokan_de_s的博客
06-12 435
卷积神经网络的主要作用是图像处理,比如人脸识别拿神经网络处理图片,资源消耗是巨大的举个例子,上图上来输入为一张图片,输出为结果,形式是概率.卷积神经包含四种不同类型的层CONV,RELU,POOL,FCCONV 卷积层局部关联,一个神经元不看全图,只看一块区域,然后窗口滑动,然后对每次滑动的局部数据进行计算,比如这一块区域是3*3则会产生9个w(权重)第二个神经元也做同样的操作,不过会用9个新的权...
卷积神经网络中各大模型的优缺点
11-06
卷积神经网络（Convolutional Neural Network, CNN）由于其特殊的结构，在图像处理等领域取得了显著成功。以下是几种常见的卷积神经网络模型及其优缺点： 1. **LeNet**： - 优点：最早应用于手写数字识别，简化了特征提取过程，引入了卷积层和最大池化层的概念。 - 缺点：模型较为简单，对于更大规模的图像处理任务性能有限。 2. **AlexNet**： - 优点：在ImageNet竞赛上取得突破，使用深度网络和ReLU激活，提高了准确率。 - 缺点：模型很深，计算资源消耗大，训练时间较长。 3. **VGGNet**： - 优点：层数极深，通过堆叠小卷积核（3x3）提高细节识别，强调网络深度的重要性。 - 缺点：模型庞大，参数过多，可能导致过拟合。 4. **GoogLeNet / Inception**： - 优点：通过Inception模块结合不同大小的滤波器，减少了参数数量同时保持精度，优化了计算效率。 - 缺点：结构复杂，理解和实现相对困难。 5. **ResNet / Residual Networks**： - 优点：引入残差块解决梯度消失问题，允许更深的网络训练，有助于提升性能。 - 缺点：如果残差连接不当，可能会造成模型退化。 6. **DenseNet**： - 优点：全连接的卷积层增强了特征传播，减少参数重复计算，有助于更快收敛。 - 缺点：模型密集，增加计算负担，可能带来过拟合风险。 **
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Jeremy-Sky

你的鼓励是我的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值