CNN图像分类网络汇总（one）LeNet,AlexNet,ZFNet

最新推荐文章于 2024-12-21 19:19:59 发布
原创 最新推荐文章于 2024-12-21 19:19:59 发布 · 1.1k 阅读 · 1 ·
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。

本文介绍了卷积神经网络（CNN）的经典模型，包括LeNet-5的特征提取原理，AlexNet的优化技巧如ReLU、Dropout和LRN，以及ZFNet对AlexNet的改进，特别是引入了可视化技术。这些网络在图像分类任务中起到了里程碑式的作用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

LeNet-5
CNN分类网络开端，用于手写字符识别识别率相当高。
在这里插入图片描述
创建卷积框，设置大小、步长、数量等，对图像进行卷积操作，提取特征的操作，池化降维，全连接分类输出。之后的分类网络都是基于此框架进行的优化。

AlexNet
作为2012年ImageNet分类冠军，把LeNet发扬光大，运用了Relu，Dropout，LRN等trick，并且使用GPU加速。
在这里插入图片描述
使用Relu 对梯度衰减进行加速，并且一定程度的避免过拟合，f=max(0,x)
Ｄｒｏｐｏｕｔ采用部分神经元进行训练，对过拟合有奇效。
在第2,4,5层均是前一层自己GPU内连接，第3层是与前面两层全连接，全连接是2个GPU全连接
LRN局部响应归一化
采用数据增强，随机地从256256的原始图像中截取224224大小的区域（以及水平翻转的镜像），相当于增加了2*(256-224)^2=2048倍的数据量。如果没有数据增强，仅靠原始的数据量，参数众多的CNN会陷入过拟合中，使用了数据增强后可以大大减轻过拟合，提升泛化能力。进行预测时，则是取图片的四个角加中间共5个位置，并进行左右翻转，一共获得10张图片，对他们进行预测并对10次结果求均值。同时，AlexNet论文中提到了会对图像的RGB数据进行PCA处理，并对主成分做一个标准差为0.1的高斯扰动，增加一些噪声，这个Trick可以让错误率再下降1%

ZFNet
　AlexNet的改进，改动不大，主要是引入了可视化，使用了解卷积和反池化（无法实现，只能近似）的近似对每一层进行可视化，并采用一个GPU进行训练

最低0.47元/天 解锁文章

200万优质内容无限畅学
经典CNN网络论文总结-LeNet/AlexNet/VGG/R-CNN
新兴IT民工的专栏
07-20 399
在VGG中的一个核心设计原则就是：小的卷积核 + 较大的网络深度，根据实验结果，效果比大的卷积核 + 较浅的网络深度要好。
MATLAB算法实战应用案例精讲-【图像处理】图像分类模型-LeNet&AlexNet&VGG
qq_36130719的博客
08-06 996
AlexNet[1]是2012年ImageNet竞赛的冠军模型，其作者是神经网络领域三巨头之一的Hinton和他的学生Alex Krizhevsky。AlexNet以极大的优势领先2012年ImageNet竞赛的第二名，也因此给当时的学术界和工业界带来了很大的冲击。此后，更多更深的神经网络相继被提出，比如优秀的VGG，GoogLeNet，ResNet等。随着AlexNet在2012年的ImageNet大赛上大放异彩后，卷积神经网络进入了飞速发展的阶段。
卷积神经网络CNN进行图像分类
01-11
利用卷积神经网络（CNN）对高光谱图像进行分类，内含高光谱数据
深度学习---图像分类网络
datian1234的博客
07-19 1618
深度学习在图像邻域的应用大致可以分为图像分类、目标检测、图像分割三大类，其中图像分割又可以细分为语义分割、实例分割和全景分割，这一篇梳理下常见的分类数据集和分类网络，后续会重点介绍ResNet，并逐步实现ResNet训练及推理。
图像分类经典神经网络大总结（AlexNet、VGG 、GoogLeNet 、ResNet、 DenseNet、SENet、ResNeXt ）
路人贾的博客
01-14 1万+
图像分类经典神经网络大总结（AlexNet、VGG 、GoogLeNet 、ResNet、 DenseNet、SENet、ResNeXt ）
图像分类之LeNet网络
weixin_47166887的博客
11-18 1151
前言 LeNet是最早的卷积神经网络之一，并且推动了深度学习领域的发展。自从1988年开始，这项由Yann LeCun完成的开拓性成果被命名为LeNet5。这个网络也是深度学习的入门要学的第一个网络。 网络主要部分 1、model.py ------ 模型的架构 2、train.py ——加载数据集并训练，训练集计算loss，测试集计算accuracy，保存训练好的网络参数 3、predict.py——得到训练好的网络参数后，随便找一张cifar10的图像进行分类测试 1、model.py # 使用torc
图像分类网络
m0_49121442的博客
03-27 254
卷积层C1该层的处理流程是： 卷积-->ReLU-->池化-->归一化。卷积层C2该层的处理流程是：卷积-->ReLU-->池化-->归一化。卷积层C3该层的处理流程是： 卷积-->ReLU卷积层C4该层的处理流程是： 卷积-->ReLU该层和C3类似卷积层C5该层处理流程为：卷积-->ReLU-->池化全连接层FC6该层的流程为：（卷积）全连接 -->ReLU -->Dropout全连接层FC7流程为：全连接-->ReLU-->Dropout输出层。
Pytorch实现CNN经典网络框架（LeNet、AlexNet、VGGNet、GoogLeNet、ResNet）
小马日记
11-16 5948
卷积神经网络可谓是现在深度学习领域中大红大紫的网络框架，尤其在计算机视觉领域更是一枝独秀。CNN从90年代的LeNet开始，21世纪初沉寂了10年，直到12年AlexNet开始又再焕发第二春，从ZF Net到VGG，GoogLeNet再到ResNet和最近的DenseNet，网络越来越深，架构越来越复杂，解决反向传播时梯度消失的方法也越来越巧妙。下面介绍几种网络的结构框架和代码实现。 1、LeNe...
经典CNN网络（Lenet、Alexnet、GooleNet、VGG、ResNet、DenseNet）
热门推荐
北落师门XY的博客
07-21 1万+
Lenet（1986） 主要用于识别10个手写邮政编码数字，5*5卷积核，stride=1，最大池化。 Alexnet（2012） 卷积部分都是画成上下两块，意思是说把这一层计算出来的feature map分开，但是前一层用到的数据要看连接的虚线。 引入Group群卷积概念，最早是为了应对训练时硬件限制问题，额外的好处是减少参数，抑制过拟合，具体做法是：假设上一层的输出fea...
CNN 图像分类网络系列总结
DAOCHI
03-16 3163
一、VGG 研究目的：论文主要研究卷积网络的深度(Depth)对于图像识别任务的准确度影响。 论文主要贡献： 一定的数据规模下，增加网络深度能够有效提升网络的性能； 两个3x3Conv的感受野等效于1个5x5Conv，并且参数更少，性能更好； VGG引入了卷积模块的设计模式（Figure 1），其特点是：一个卷积块内的特征图尺寸通常不变，模块之间特征图尺寸降低时，特征图的数量会增加（后续...
神经网络实现图像分类
07-27
基于神经网络的图像分类，数据资源是基于CIFAR-10，内含训练测试数据（batch），是唐宇迪深度学习入门课程的修改代码，python3版本
深度学习——常用图像分类网络
gy的博客
08-11 1335
AlexNet VGG ResNet SqueezeNet DenseNet Inception v3 GoogLeNet ShuffleNet v2 MobileNetV2 MobileNetV3 ResNeXt Wide ResNet MNASNet
图像分类网络汇总
weixin_44840785的博客
05-27 680
#VGG Net、ResNet、ResNeXt、DenseNET、SE-Net 汇总小结
CNN分类-卷积神经网络（Convolutional Neural Network）
最新发布
落魄君子Blog
12-21 1317
卷积神经网络（Convolutional Neural Network，简称CNN）是一种深度学习模型，特别擅长处理具有网格结构的数据，如图像。CNN通过卷积层、池化层和全连接层等结构，能够自动提取数据中的空间特征，广泛应用于计算机视觉和图像处理领域。卷积神经网络（CNN）作为深度学习领域的核心模型，在图像处理、计算机视觉、医疗诊断、自动驾驶等多个领域展现出强大的性能。通过其独特的结构和自动特征提取能力，CNN能够高效、准确地处理和分析复杂的视觉数据。
图像分类网络综述
xiaotiig的博客
12-18 6042
这里写目录标题1原理2数据集3 常见网络4评价指标4.1准确率4.2top5错误率 1原理 2数据集 3 常见网络 4评价指标 4.1准确率 4.2top5错误率
图像分类经典网络
weixin_59430424的博客
07-08 1579
飞桨会根据实际图像数据的尺寸和卷积核参数自动推断中间层数据的W和H等，只需要用户表达通道数即可。 验证集数据读取和训练集基本一致，需要注意的点是验证集中图片的名字以及label需要从csv文件中读取。预处理工作 开始训练 模型保存 1.4 定义评估过程 2. AlexNet网络在眼疾分类的应用 只有网络的模型代码有变化，深度增加 3. 一些问题 3.1 全连接层的作用？ 如果是最后输出层使用全连接，一般要求输出的神经元的个数等于分类标签的类别数。 如果是中间的隐藏层，可以看作是将不同特征所携带的信息
基于CNN的图像分类综述(包含小样本图像/零样本图像、细粒度图像分类)
Galen_xia的博客
01-14 6056
1. 深度学习网络模型发展史 图1，网络模型发展方向： 图2，网络模型发展史： 通过上面的两幅图，我们大致了解到CNN的发展轨迹，下面将介绍其中的一些典型网络： 1.1 LeNet-5 LeNet-5的论文是在1998年撰写的，当时人们并不使用padding，或者总是使用valid卷积，这就是为什么每进行一次卷积，图像的高度和宽度都会缩小，所以这个图像从14到14缩小到了10×10。然后又是池化层，高度和宽度再缩小一半，输出一个5×5×16的图像。将所有数字相乘，乘积是400。此网络使用的sigmoi
【图像分类】图像分类以及经典分类网络
weixin_62403234的博客
11-27 3506
图像分类实质上就是从给定的类别集合中为图像分配对应标签的任务，假如类别集为categories={cat, non-cat}，然后提供一张猫🐱的照片，分类模型就会给图像分配多个标签，每个标签的概率值不同，如：cat:96%, non-cat:4%，可以得到该图片被分类为cat。如果是多分类问题，类别集为categories={class1, class2,..., classn}。
经典cnn分类网络
weixin_37032880的博客
04-01 1099
Caffe models (imagenet pretrain) and prototxt generator scripts for inception_v3 \ inception_v4 \ inception_resnet \ fractalnet \ resnext: prototxt: https://github.com/soeaver/caffe-model/tree
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
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