图像分类模型总结

【结构变迁】

1. LeNet：第一个成功的卷积神经网络。
2. AlexNet：类似LeNet，层次更深更大。使用了层叠的卷积来抓取特征（通常是一个卷积层马上一个maxpooling层）。
3. ZF Net：增加了中间卷积层的尺寸，让第一层stride和filter size更小。
4. VGG：只使用filter size = 3和pooling size = 2 从头到尾堆叠。
5. GoogLeNet：较少参数量，最后一层用平均池化代替全连接层，top-1成功率提高了0.6%。
6. ResNet：引入了跨层连接和batch normalization
7. DenseNet：将跨层连接从头进行到尾

【变迁的点】

• 使用small filter size的卷积层和pooling
• 去掉parameters过多的全连接层
• Inception的使用
• 跳层连接

具体各个网络参考这里：参考

Lenet

Alexnet

VGG

googlenet

resnet

DenseNet ，看这篇

特点：对于每一层网络来说，前面所有网络的特征图都被作为输入。

与ResNets相反，在特征传到网络层之前，从不通过求和来组合它们；而是通过将它们连接起来组合它们。参考​​​​​​​

优点：

优势：

• 解决了梯度消失问题；
• 增强了特征传播；
• 增强了特征复用；
• 大大地减少了参数量。

DenseNet相较于原生ResNet所需的内存和计算资源更少，并达到更好的性能。

​​​​​​​efficienet

resnxt