其他模型

概述

2012年，Alex等人提出的AlexNet网络在ImageNet大赛上以远超第二名的成绩夺冠，卷积神经网络乃至深度学习引起了广泛的关注。AlexNet使用relu作为CNN的激活函数，解决了sigmoid在网络较深时的梯度弥散问题。训练时使用Dropout随机丢掉一部分神经元，避免了模型过拟合。网络中使用重叠的最大池化代替了此前CNN中普遍使用的平均池化，避免了平均池化的模糊效果，提升了特征的丰富性。从某种意义上说，AlexNet引爆了神经网络的研究与应用热潮。

SqueezeNet在ImageNet-1k上实现了与AlexNet相同的精度，但只用了1/50的参数量。该网络的核心是Fire模块，Fire模块通过使用1x1的卷积实现通道降维，从而大大节省了参数量。作者通过大量堆叠Fire模块组成了SqueezeNet。

VGG由牛津大学计算机视觉组和DeepMind公司研究员一起研发的卷积神经网络。该网络探索了卷积神经网络的深度和其性能之间的关系，通过反复的堆叠3x3的小型卷积核和2x2的最大池化层，成功的构建了多层卷积神经网络并取得了不错的收敛精度。最终，VGG获得了ILSVRC 2014比赛分类项目的亚军和定位项目的冠军。

DarkNet53是YOLO作者在论文设计的用于目标检测的backbone，该网络基本由1x1与3x3卷积构成，共53层，取名为DarkNet53。

精度、FLOPS和参数量

Models	Top1	Top5	Reference top1	Reference top5	FLOPS (G)	Parameters (M)
AlexNet	0.567	0.792	0.5720		1.370	61.090
SqueezeNet1_0	0.596	0.817	0.575		1.550	1.240
SqueezeNet1_1	0.601	0.819			0.690	1.230
VGG11	0.693	0.891			15.090	132.850
VGG13	0.700	0.894			22.480	133.030
VGG16	0.720	0.907	0.715	0.901	30.810	138.340
VGG19	0.726	0.909			39.130	143.650
DarkNet53	0.780	0.941	0.772	0.938	18.580	41.600
ResNet50_ACNet	0.767	0.932			10.730	33.110
ResNet50_ACNet _deploy	0.767	0.932			8.190	25.550

FP32预测速度

Models	Crop Size	Resize Short Size	Batch Size=1 (ms)
AlexNet	224	256	1.176
SqueezeNet1_0	224	256	0.860
SqueezeNet1_1	224	256	0.763
VGG11	224	256	1.867
VGG13	224	256	2.148
VGG16	224	256	2.616
VGG19	224	256	3.076
DarkNet53	256	256	3.139
ResNet50_ACNet _deploy	224	256	5.626

3.7 KiB Raw Blame History Unescape Escape

其他模型

概述

精度、FLOPS和参数量

FP32预测速度

3.7 KiB

Raw Blame History