【CV第二篇】图像分类经典网络结构精选论文合集

开篇寄语

此身天地一蘧庐，世事消磨绿鬓疏。

毕竟几人真得鹿，不知终日梦为鱼。
                                                                             ——宋·黄庭坚

---

        图像分类（Image Classification）是计算机视觉四大基本任务之一，在上一篇文章中，有讲到计算机视觉四大基本任务，其中介绍了图像分类的原理，并且图像分类也是作为计算机视觉的入门任务，那么快速地吃透经典的baseline论文，无疑是最有效地入门CV的方式，也能够帮助我们快速地构建起学习其他任务的基石。正所谓，基础不牢，地动山摇！接下来，让我们认识下经典的图像分类baseline基石论文吧！！！

NIPS-2012，AlexNet：深度学习CV领域划时代论文，具有里程碑意义

论文：《ImageNet Classification with Deep Convolutional Neural Networks》

地址：http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks

ICLR-2015，VGGNet：开启3*3卷积堆叠时代

论文：《Very Deep Convolutional Networks for Large-Scale Image Recognition》

地址：https://arxiv.org/abs/1409.1556

CVPR-2015，GoogLenet v1：Google系列论文开创论文，提出多尺度卷积模块

论文：《Going deeper with convolutions》
地址：https://arxiv.org/abs/1409.4842

arXiv-2015，GoogLenet v2: 神经网络大杀器：BN层提出

论文：《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》
地址：https://arxiv.org/abs/1502.03167v3

CVPR-2016，GoogLenet v3: 卷积分解及结构进化，超越人类精度

论文：《Rethinking the Inception Architecture for Computer Vision》
地址：https://arxiv.org/abs/1512.00567

arXiv-2016，GoogLenet v4: Inception与ResNet结构的尝试

论文：《Inception-ResNet and the Impact of Residual Connections on Learning》
地址：https://arxiv.org/abs/1602.07261

CVPR-2016，ResNet：工业界标杆模型，最具影响力的卷积神经网络

论文：《Deep Residual Learning for Image Recognition》

地址：https://arxiv.org/pdf/1512.03385.pdf
 

CVPR-2017，ResNeXt：何恺明团队对ResNet重大改进

论文：《Aggregated Residual Transformations for Deep Neural Networks》
地址：https://arxiv.org/abs/1611.05431

CVPR-2017，DenseNet：ResNet的改进，2016-ILSVRC冠军

论文：《Densely Connected Convolutional Networks》

地址：https://arxiv.org/pdf/1608.06993.pdf

TPAMI-2017，SENet：引入注意力机制的卷积神经网络，2017-ILSVRC（最后一届）冠军

论文：《Squeeze-and-Excitation Networks》
地址：https://arxiv.org/pdf/1709.01507v2.pdf

原文链接：【CV第二篇】图像分类经典网络结构精选论文合集开篇寄语\x0d\x0a此身天地一蘧庐，世事消磨绿鬓疏。\x0d\x0a毕竟几人真得鹿，不知终日梦为鱼。‍——宋·黄庭坚https://mp.weixin.qq.com/s?__biz=MzI1MzUyMTMwOA==&mid=2247484551&idx=1&sn=81ed287702dd753503facdf073f0b144&chksm=e9d27874dea5f162097bff6c2ec10dc1ee10d5211f320106ed67ee075b1d631813363295e899&token=401299101&lang=zh_CN#rd