经典网络模型介绍

• 图像分类模型LeNet-5
  • 简介
  • 网络结构
  • 优点
  • 适用领域
  • 参考文献
• 图像分类模型RegNet
  • 简介
  • RegNet网络结构
  • 特点：AnyNet设计
  • 参考文献
• 图像分类模型RepVGG
  • 简介
  • ResNeXt网络结构
  • 特点：重参数化
  • 总结
  • 参考文献
• 图像分类模型ShuffleNet_v2
  • 简介
  • 特点
    • 1：当卷积层的输入特征矩阵与输出特征矩阵channel相等时MAC最小(保持FLOPs不变时)
    • 2：当GConv的groups增大时(保持FLOPs不变时)，MAC也会增大
    • 3：网络设计的碎片化程度越高，速度越慢
    • 4：Element-wise操作带来的影响是不可忽视的
    • 总结：
  • ShuffleNetV2网络结构
  • 总结
  • 参考文献
• 图像分类模型VGG
  • 简介
  • 特点：小卷积核和多卷积子层
  • 特点：全连接转卷积
  • VGG网络结构
  • 优点
  • 适用领域
  • 参考文献
• 图像分类模型MobileNet
  • 介绍
  • 特点：深度可分离卷积
  • 特点：Linear Bottleneck
  • 网络结构
  • 优点
  • 使用领域
  • 参考文献
• 图像分类模型ResNet
  • 简介
  • 特点：残差结构
  • ResNet网络结构
  • 优点
  • 适用领域
  • 参考文献
• 图像分类模型ResNeXt
  • 简介
  • 特点：block单元
  • ResNeXt网络结构
  • 优点
  • 参考文献
• 目标检测模型Faster R-CNN
  • 简介
  • 发展历程
  • 特点：区域候选网络(Region Proposal Networks,RPN)
  • 特点：特征金字塔(Feature Pyramid Networks,FPN)
  • 优点
  • 适用领域
  • 预训练模型
  • 参考文献
• 目标检测模型Mask R-CNN
  • 简介
  • 特点：Mask预测分支
  • 特点：RoIAlign
  • 优点
  • 适用领域
  • 预训练模型
  • 参考文献
• 目标检测模型SSD
  • 介绍
  • 特点：end-to-end
  • 优点
  • 设计理念
  • 模型结构
  • 结论
    • 优点：
    • 缺点：
  • 参考文献
• 目标检测模型Yolov3
  • 介绍
  • 特点：end-to-end
  • 特点：回归问题
  • 优点
  • 适用领域
  • 参考文献