经典卷积网络在图像分类中的演进

ReLU"，去掉了一些不必要的层。 2.1.2 基本结构 LeNet-5包含两个卷积层，每个卷积层后跟一个池化层，然后是两个全连接层，最后是softmax分类器。它引入了权值共享的概念，减少了参数数量，降低了过拟合的风险。 2.2 AlexNet 2.2.1 概述 AlexNet[2]由Alex Krizhevsky在2012年的ImageNet竞赛中提出，它首次展示了深度学习在图像分类上的强大能力，比传统的机器学习方法表现更优。 2.2.2 基本结构 AlexNet比LeNet更深，拥有8个层，包括5个卷积层和3个全连接层。它引入了ReLU激活函数以解决梯度消失问题，并使用数据增强来扩充训练集，有效提高了模型泛化能力。 2.3 ZFNet 2.3.1 概述 ZFNet[3]是对AlexNet的改进，由Zeiler和Fergus在2013年提出，主要改进在于优化了卷积层的滤波器大小和位置，以更好地理解图像特征。 2.4 VGGNet 2.4.1 概述 VGGNet[4]由Simonyan和Zisserman于2014年提出，以其深且小的卷积核著称，通过增加网络深度来提高特征提取能力。 2.4.2 基本结构 VGGNet的特点是使用3x3的小卷积核，堆叠多层，形成深网络。这使得模型具有较高的计算成本，但分类效果显著。 2.5 GoogLeNet (Inception) 2.5.1 概述 GoogLeNet[5]是Szegedy等人在2014年提出的，引入了Inception模块，减少了参数数量，同时保持了模型的深度和宽度。 2.5.2 基本结构 Inception模块利用多个不同大小的卷积核并行处理，结合池化层，提高了网络的效率和性能。 2.6 ResNet 2.6.1 概述 ResNet[6]由He等人在2015年提出，解决了深度网络中的梯度消失问题，通过残差块允许信号直接传递到深层，使得极深的网络也能训练。 2.6.2 基本结构 ResNet的核心是残差块，它包含两个或三个卷积层，通过跳接连接确保每一层的输出都能直接影响最终结果。 2.7 SENet 2.7.1 概述 SENet[7]（Squeeze-and-Excitation Networks）由Hu等人在2017年提出，引入了注意力机制，增强了模型对特征的挑选和利用。 2.7.2 基本结构 SEBlock通过全局平均池化获取通道间的信息，然后通过两个全连接层调整通道权重，增强了模型对关键特征的响应。 2.8 DenseNet 2.8.1 概述 DenseNet[8]由Huang等人在2017年提出，特点是每个层都与所有其他层相连，提高了特征的重用，减少了训练难度。 2.8.2 基本结构 DenseBlock中的每个层都会接收前一层的输出作为输入，通过这种方式构建稠密连接，降低了梯度消失的可能性。 这些经典网络模型各有特色，随着技术的不断进步，它们在深度学习领域中扮演了重要角色。通过对比和分析，我们可以更好地理解不同网络架构的设计思路，为实际应用提供参考。