xihang_alpha的博客

转自：http://www.open-open.com/lib/view/open1473213789568.html参考：http://blog.youkuaiyun.com/qq_17754181/article/details/59111864?locationNum=14&fps=1略有删改。LeNet5LeNet5 诞生于 1994 年，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

本文是对ImageNet 2015的冠军ResNet(Deep Residual Networks)以及目前围绕ResNet这个工作研究者后续所发论文的总结，主要涉及到下面5篇论文。

转自：http://blog.youkuaiyun.com/cv_family_z/article/details/50328175CVPR2016 https://github.com/KaimingHe/deep-residual-networks这是微软方面的最新研究成果， 在第六届ImageNet年度图像识别测试中，微软研究院的计算机图像识别系统在几个类别的测试中获得第一名。本文是解决超深度CNN

转自csdn blog这篇博客讲现在很流行的两种网络模型，ResNet和DenseNet,其实可以把DenseNet看做是ResNet的特例 文章地址: [1]Deep Residual Learning for Image Recognition,CVPR2015 [2]Densely Connected Convolutional Networks,CVPR2016本篇博客不讲论文的内容，

Network In Network学习笔记原文地址：http://blog.youkuaiyun.com/hjimce/article/details/50458190作者：hjimce一、相关理论本篇博文主要讲解2014年ICLR的一篇非常牛逼的paper：《Network In Network》，过去一年已经有了好几百的引用量，这篇paper改进了传统的CNN网络，采用了少量的参数就松松击败了Alexne

本文地址：http://blog.youkuaiyun.com/mounty_fsc/article/details/51746111《Network in Network》论文笔记1.综述这篇文章有两个很重要的观点：1×1卷积的使用 文中提出使用mlpconv网络层替代传统的convolution层。mlp层实际上是卷积加传统的mlp（多层感知器），因为convolution是线性的，而mlp是非线性的

一.文献名字和作者     Network In Network.Min Lin, Qiang Chen, Shuicheng Yan   二.阅读时间    2014年11月19日三.文献的目的    文章主要是对于CNN结构进行改进，使得CNN能够学习到更加抽象和有效的非线性特征。四.文献的贡献点4.1 卷积层的改进–多层感知卷积层    传统的卷积层只是将前一层的特征进行了线