常用的基于ImageNet分类任务开发的backbone模型

  在目标检测、目标分割和目标跟踪等基本的视觉任务中，大多数backbone网络都是基于ImageNet上的分类任务进行开发的。虽然ImageNet比赛（ILSVRC）在2017年已经是最后一届了，但是除了比赛期间提出的经典网络，仍不断有新的深度神经网络模型涌现出来。为了在研究中更好地选择各种backbone模型，因而总结分析各种模型在精度、速度和内存等方面的对比情况，希望在实际应用中可以提供参考。

附上一个总结了机器学习paper及其开源实现的code的网站，其中包括对Computer Vision、Natural Language Processing、Medical等多个领域的上千个任务的分类，可以根据Greatest和Lastest进行筛选排序，很方便地了解各领域的进展。
Browse State-of-the-Art：https://www.paperswithcode.com/sota

ImageNet 分类比赛模型（2012-2017）

ImageNet challenge分类结果评估

评价指标介绍：
Top1-accuracy：对一个测试图片，只有模型预测概率最大的类是正确的，才认为模型对该图片的预测正确。Top1准确率就是指预测正确的图片所占的比例。
Top5-error：对一个测试图片，如果模型预测概率最高的前五中包含正确答案，即认为模型对该图片预测结果正确。Top-5错误率就是指模型预测结果错误的图片的占比。

年份	网络	Top1-accuracy	Top5-error
2012	AlexNet	63%	15.32%
2013	OverFeat	——	14.18%
2013	ZFNet	——	13.51%
2013	Clarifai	——	11.20%
2014	VGG	74%	6.80%
2014	GoogleNet	——	6.67%
2015	ResNet	82%	3.57%
2016	ResNeXt	——	3.01%
2016	Trimps-Soushen	——	2.99%
2017	SENet	——	2.25%

数据的参考链接：
[1]