Backbone发展与语义分割网络发展
整理如下(按照arxiv上面时间线的预印版本来整理):
Backbone(基础网络,也可以理解为分类网络):
Backbone可以塞入UNET作为使用。
年代 | 网络名称与代码 | 论文名称 |
1989 | LeNet | Backpropagation Applied to Handwritten Zip Code Recognition |
1995 |
LeNet4, Boosted LeNet4, LeNet5 |
Comparison of learning algorithms for handwritten digit recognition |
1998 |
LeNet4, Boosted LeNet4, LeNet5 |
GradientBased Learning Applied to Document Recognition |
2012 | AlexNet | ImageNet Classification with Deep Convolutional Neural Networks |
2013-12-16 | NiN | Network In Network |
2014-9-4 | VGG16-VGG19 | VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION |
2014-9-17 |
Inception v1 (又称为GoogLeNet) |
Going Deeper with Convolutions |
2015-2-6 | MSRANet | Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification |
2015-12-2 |
Inception v2 (又称为GoogLeNet) |
Rethinking the Inception Architecture for Computer Vision |
2015-12-10 | ResNet | Deep Residual Learning for Image Recognition |
2016-2-23 |
Inception v4 (又称为GoogLeNet) |
Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning |
2016-2-24 | SqueezeNet | SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size |
2016-3-16 |
ResNet v2 |
Identity Mappings in Deep Residual Networks |
2016-5-23 | Wide ResNet | Wide Residual Networks |
2016-8-25 | DenseNet | Densely Connected Convolutional Networks |
2016-10-7 |
Inception v3 (又称为GoogLeNet) |
Xception: Deep Learning with Depthwise Separable Convolutions |
2016-11-16 | ResNext | Aggregated Residual Transformations for Deep Neural Networks |
2017-4-17 | MobileNet | MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications |
2017-7-4 | ShuffleNet | ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices |
2017-7-6 | DPNet | Dual Path Networks |
2017-9-5 |
SENet: SE-ResNet,SE-ResNext |
Squeeze-and-Excitation Networks |
2017-10-26 | Capsules | Dynamic Routing Between Capsules |
2018-1-13 | MobileNet v2 | MobileNetV2: Inverted Residuals and Linear Bottlenecks |
2018-5-23 | SqueezeNext | SqueezeNext: Hardware-Aware Neural Network Design |
2018-7-30 | ShuffleNet V2 | ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design |
2018-7-31 | NasNet | MnasNet: Platform-Aware Neural Architecture Search for Mobile |
2019-1-24 | AutoShuffleNet | AutoShuffleNet: Learning Permutation Matrices via an Exact Lipschitz Continuous Penalty in Deep Convolutional Neural Networks |
2019-5-6 | MobileNet v3 | Searching for MobileNetV3 |
语义分割网络:
年代 | 网络名称与代码 | 论文名称 |
2013-11-11 | RCNN | Rich feature hierarchies for accurate object detection and semantic segmentation |
2014-6-18 | SPP(目标检测) | Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition |
2014-11-14 | FCN | Fully Convolutional Networks for Semantic Segmentation |
2014-12-22 | DeepLab v1 | SEMANTIC IMAGE SEGMENTATION WITH DEEP CONVOLUTIONAL NETS AND FULLY CONNECTED CRFS |
2015-5-18 | UNET | U-Net: Convolutional Networks for Biomedical Image Segmentation |
2015-6-4 | Faster R-CNN(里面提出了RPN) | Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks |
2015-6-8 | YOLO v1 | You Only Look Once: Unified, Real-Time Object Detection |
2015-11-9 | SegNet | Bayesian SegNet: Model Uncertainty in Deep Convolutional Encoder-Decoder Architectures for Scene Understanding |
2015-12月 | Fast R-CNN | Fast R-CNN |
2015-12-8 | SSD | SSD: Single Shot MultiBox Detector |
2016-6-2 | DeepLab v2 | DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs |
2016-11-20 | RefineNet | RefineNet: Multi-Path Refinement Networks for High-Resolution Semantic Segmentation |
2016-12-4 | PSPNet | Pyramid Scene Parsing Network |
2016-12-9 | FPN | Feature Pyramid Networks for Object Detection |
2016-12-25 | YOLO v2 | YOLO9000: Better, Faster, Stronger |
2017-3-20 | Mask-RCNN | Mask R-CNN |
2017-6-13 | DeepLab v3 | Rethinking Atrous Convolution for Semantic Image Segmentation |
2018-4-8 | YOLO v3 | YOLOv3: An Incremental Improvement |
各种网络的实现框架可以参考[1],
各种网络的综述可以参考[2]
想看个大概的可以翻阅[3]
[4]的内容很有意思,可以看下:
[1]https://blog.csdn.net/helloworld_Fly/article/details/80306117
[2]https://arxiv.org/pdf/1704.06857.pdf
[3]https://blog.csdn.net/qq_20084101/article/details/80432960
[4]https://www.jiqizhixin.com/articles/092301
Backbone发展与语义分割网络发展相关推荐
- CVPR2020:4D点云语义分割网络(SpSequenceNet)
CVPR2020:4D点云语义分割网络(SpSequenceNet) SpSequenceNet: Semantic Segmentation Network on 4D Point Clouds 论 ...
- 一块GPU就能训练语义分割网络,百度PaddlePaddle是如何优化的?
[引言]显存不足是训练语义分割网络常常遇见的问题,而显存是GPU计算中的稀缺资源.百度深度学习框架PaddlePaddle中的显存优化,不仅可以让研究人员在相同成本的计算设备上训练更大的模型,还可以在 ...
- 复杂背景下计算机视觉模型害虫识别的比较研究(像素语义分割网络SegNet)
Abstract 农业被认为是世界各国的经济基础,新技术的发展有助于提高收获效率.自动驾驶汽车在农场用于播种.收获和施用农药等任务.然而,任何一个种植园的主要问题之一是害虫和疾病的鉴定,这对害虫控制和 ...
- python怎么替换主干网络_一块GPU就能训练语义分割网络,百度PaddlePaddle是如何优化的?...
一. 图像语义分割模型DeepLab v3 随着计算机视觉的发展,语义分割成为了很多应用场景必不可少的一环. 比如网络直播有着实时剔除背景的要求,自动驾驶需要通过语义分割识别路面,与日俱增的应用场景对 ...
- 深入理解DeepLab系列语义分割网络
语义分割是指在像素级别上进行分类,从而转换得到感兴趣区域的掩膜.说起语义分割的发展则肯定绕不开DeepLab系列语义分割网络,该系列网络由谷歌团队提出并发展,在VOC2012等公用语义分割数据集上,取 ...
- DeepLab大盘点 | 深入理解DeepLab系列语义分割网络
作者 | 深蓝AI 编辑 | 汽车人 点击下方卡片,关注"自动驾驶之心"公众号 ADAS巨卷干货,即可获取 点击进入→自动驾驶之心技术交流群 后台回复[分割综述]获取语义分割.实 ...
- 北航、旷视联合,打造最强实时语义分割网络
来源:AI科技评论 编辑:Camel 导语:MSFNet在Cityscapes测试集上达到77.1%mIoU/41FPS(注意是1024*2048),在Camvid测试集上达到75.4 mIoU/97 ...
- 计算机视觉算法——语义分割网络总结
计算机视觉算法--语义分割网络总结 计算机视觉算法--语义分割网络总结 1. FCN 1.1 关键知识点--网络结构及特点 1.2 关键知识点--转置卷积 1.3 关键知识点--语义分割评价指标 2. ...
- Unet++语义分割网络(网络结构分析+代码分析)
1. 前言 许多初入视觉深度学习的小伙伴都会以图像分类网络作为入门案例来学习,个人觉得语义分割网络可以作为分类网络之后第二个学习的案例,因为其网络结构一般较为简单,只要对每个像素点进行分类即可.刚好课 ...
最新文章
- 我国网络安全人才培养缺口巨大
- linux系统中指定端口连接数限制
- 分布式架构下,Session 共享有什么方案?
- 张一鸣的微博世界-组织篇
- Python3学习笔记01-环境安装和运行环境
- void slove C语言什么意思,菜鸟求助-如何用指针法将一串字符按单词的倒序输出?如:i love yo...
- 小鱼儿 c语言,小鱼儿请进.
- vfp字符转换数值_JS数据类型转换与字面量
- Java中xmp标签的作用_如何在Java中从JPEG读取XMP面部数据
- 函数,游标与存储过程的综合应用
- 使用WPF的C#中的矩阵样式雨
- Windows:win 10系统麦克风没有声音,无法使用
- DIY开源mini桌面i3结构3D打印机--分析
- python小区管理系统设计_小区物业管理系统设计与实现
- 矢量网络分析仪测试软件,ZND 矢量网络分析仪
- 攻破 JAVA NIO 技术壁垒( 下 ) 2017-09-02 ImportNew (点击上方公众号,可快速关注) 来源:朱小厮, blog.csdn.net/u013256816/articl
- 低配电脑不能运行大型游戏?试试AWS EC2
- 顺序队列,链队列的基本操作
- 数学笔记28——不定式和洛必达法则
- Spring Boot 接口数据加解密就该这样设计~
热门文章
- JS函数运行在它们被定义的作用域内,而不是它们被执行的作用域内
- SpringMVC+hibernate+mysql+EASYUI的登陆+CRUD
- 《学习Opencv》第五章 习题6
- 使用手机测试、访问本地环境方法
- android 调用默认铃声后怎么改起始的默认选择位置?
- 每次ubuntu12.04重启后,/etc/resolv.conf被重写为空或127.0.0.1
- 好事多磨:Ogre1.7 编译记
- Pattern Discovery and Anomaly Detection via Knowledge Graph-学习笔记
- acid四大特性_深入理解MySQL的ACID四大特性原理
- js删除数组中的某一个元素