文章介绍了图像分类的基本流程，包括数据收集、模型定义、训练和预测。重点讨论了卷积神经网络（如AlexNet,VGG-19,GoogLeNet）及其改进，如残差学习。此外，还提到了更强大的分类模型，如通过神经架构搜索和VisionTransformers实现的突破，以及轻量化模型如ConvNeXt和利用可分离卷积降低计算量的技术。
图像分类与基础视觉模型
一、问题描述
- 图像分类：给定一张图片，识别出图片中物体所属的类别
- 实现步骤：收集数据->定义模型->训练->预测
二、卷积神经网络
- AlexNet
- VGG-19
- GoogLeNet
- 残差学习：让新增加的层拟合浅层网络与深层网络之间的差异，更容易学习。梯度可以直接回传到浅层网络监督浅层网络的学习
三、更强的分类模型
- 神经架构搜索：借助强化学习设计网络结构
- Vision Transformers：使用 Transformer 替代卷积网络实现图像分类，使用更大的数据集训练，达到超越卷积网络的精度
- ConvNeXt：将 Swin Transformer 的模型元素迁移到卷积网络中
四、轻量化卷积神经网络
- 降低模型参数量和计算量的方法：降低通道数、减小卷积核的尺寸
- GoogLeNet：使用大小不同的卷积核来减小参数量
- ResNet：使用1*1卷积降低通道数
- 可分离卷积：将常规卷积分解为逐层卷积和逐点卷积，降低参数量和计算量
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
