深度学习中卷积的综合综述：应用、挑战与未来趋势
机器学习
2024-02-29 v2 神经与进化计算
摘要
在当今数字时代，作为深度学习（DL）子集的卷积神经网络（CNN）被广泛用于各种计算机视觉任务，如图像分类、目标检测和图像分割。存在多种类型的 CNN 以满足特定需求和要求，包括 1D、2D 和 3D CNN，以及空洞卷积、分组卷积、注意力卷积、深度可分离卷积和神经架构搜索（NAS）等。每种类型的 CNN 都有其独特的结构和特性，使其适用于特定任务。彻底理解并进行这些不同 CNN 类型的比较分析以了解其优缺点至关重要。此外，研究每种类型 CNN 的性能、局限性和实际应用有助于未来开发新的和改进的架构。我们还从各个角度深入探讨了研究人员用于研究或开发的平台和框架。此外，我们探索了 CNN 的主要研究领域，如 6D 视觉、生成模型和元学习。本综述论文对各种 CNN 架构进行了全面的检查和比较，突出了它们的架构差异，并强调了各自的优势、劣势、应用、挑战和未来趋势。
引用
@article{arxiv.2402.15490,
title = {A Comprehensive Survey of Convolutions in Deep Learning: Applications, Challenges, and Future Trends},
author = {Abolfazl Younesi and Mohsen Ansari and MohammadAmin Fazli and Alireza Ejlali and Muhammad Shafique and Jörg Henkel},
journal= {arXiv preprint arXiv:2402.15490},
year = {2024}
}