演化 CNN 架构：从自定义设计到深度残差模型用于多样化图像分类与检测任务
计算机视觉与模式识别
2026-01-06 v1 人工智能
摘要
本文对比研究了一种自定义卷积神经网络（CNN）架构与在五个真实图像数据集上广泛使用的预训练和迁移学习 CNN 模型。数据集涵盖二元分类、细粒度多类识别和目标检测场景。我们分析了网络深度、残差连接和特征提取策略等架构因素对分类和局化性能的影响。结果表明，更深的 CNN 架构在细粒度多类数据集上提供了显著的性能提升，而轻量级预训练和迁移学习模型在更简单的二元分类任务中仍然高效。此外，我们将所提出的架构扩展到目标检测设置，展示了其在识别真实交通场景中非法改装车辆方面的适应性。基于对自定义 CNN 架构与预训练和迁移学习模型的系统分析，本研究为根据任务复杂度和资源限制选择合适网络设计提供了实用指导。
引用
@article{arxiv.2601.01099,
title = {Evolving CNN Architectures: From Custom Designs to Deep Residual Models for Diverse Image Classification and Detection Tasks},
author = {Mahmudul Hasan and Mabsur Fatin Bin Hossain},
journal= {arXiv preprint arXiv:2601.01099},
year = {2026}
}