深度卷积神经网络近期架构综述
计算机视觉与模式识别
2020-05-12 v7
摘要
深度卷积神经网络（CNN）是一类特殊的神经网络，已在多项计算机视觉与图像处理相关竞赛中展现出典范性性能。CNN 一些令人瞩目的应用领域包括图像分类与分割、目标检测、视频处理、自然语言处理和语音识别。深度 CNN 强大的学习能力主要源于可使用多个特征提取阶段，从而从数据中自动学习表示。大量数据的可用性与硬件技术的改进加速了 CNN 研究，近期涌现出若干有趣的深度 CNN 架构。为推进 CNN 发展，已探索多种启发性思路，如采用不同激活与损失函数、参数优化、正则化及架构创新。然而，深度 CNN 表征能力的显著提升主要通过架构创新实现。值得注意的是，利用空间与通道信息、架构深度与宽度以及多路径信息处理的思路已受到广泛关注。类似地，将一层块作为结构单元使用的思路也日益流行。因此，本综述聚焦于近期报道的深度 CNN 架构中内在的分类体系，并将 CNN 架构的近期创新划分为七类。这七类基于空间利用、深度、多路径、宽度、特征图利用、通道提升和注意力。此外，本文还提供了 CNN 组成要素的基本理解、当前挑战及应用。
引用
@article{arxiv.1901.06032,
title = {A Survey of the Recent Architectures of Deep Convolutional Neural Networks},
author = {Asifullah Khan and Anabia Sohail and Umme Zahoora and Aqsa Saeed Qureshi},
journal= {arXiv preprint arXiv:1901.06032},
year = {2020}
}
备注
Number of Pages: 70, Number of Figures: 11, Number of Tables: 11. Artif Intell Rev (2020)