【摘要】：2012 年，Alex Krizhevsky 等［A. Krizhevsky，2012］提出了深度卷积神经网络AlexNet，一举获得了计算机视觉权威比赛ILSVRC［O. Russakovsky，2015］分类任务的冠军，图像分类的错误率降低到了15.3%。而AlexNet 作为判别式模型，取得的成果一度超过传统机器学习算法，也重新激起了深度学习研究的浪潮。
2012 年，Alex Krizhevsky 等［A. Krizhevsky，2012］提出了深度卷积神经网络AlexNet，一举获得了计算机视觉权威比赛ILSVRC（Large Scale Visual Recognition Challenge）［O. Russakovsky，2015］分类任务的冠军，图像分类的错误率降低到了15.3%。而在这之前的数十年，在算法提升方面取得的成效微乎其微，仅仅是在系统集成方面做出了一定的改进。而AlexNet 作为判别式模型，取得的成果一度超过传统机器学习算法，也重新激起了深度学习研究的浪潮。而在这之后的几年里，无数学者转而对深度学习进行大力研究，相继出现了许多著名的深度网络，典型的有VGG［K. Simonyan，2014］、GoogleNet［C. Szegedy，2015］、ResNet［K. He，2016］等，这些都是深度卷积网络的变种形式，主要是网络的结构以及使用的技巧有所不同。尽管这些网络的参数量巨大甚至过亿，但是这些网络凭借自身优秀的泛化能力在其他数据上也表现良好，甚至能够求解更复杂的问题。而这几种网络也广泛作为其他视觉任务的基础网络，推动物体检测［K. Kang，2017］、图像语义分割［L. Deng，2017］、实例分割［Y. Li，2017］、检测与分割［K. He，2016］等一系列算法的发展，并且可拓展至点云物体检测［F. Piewak，2017］、点云分割［I. Bogoslavsky，2016］等任务。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
