汇总 | OpenCV DNN模块中支持的分类网络
时间:2022-07-24
本文章向大家介绍汇总 | OpenCV DNN模块中支持的分类网络,主要内容包括其使用实例、应用技巧、基本知识点总结和需要注意事项,具有一定的参考价值,需要的朋友可以参考一下。
OpenCV DNN基于深度学习中的卷积神经网络技术实现对常见计算机视觉任务完成,这些支持模型的结构与相关的论文笔者做了汇总。今天这里汇总一下支持的图像分类模型。
01
GooLeNet
2014年提出,OpenCV DNN支持Caffe与tensorflow两个版本的模型加载。相关论文如下:
https://arxiv.org/pdf/1409.4842.pdf
两个Block结构单元
模型结构
02
AlexNet模型
卷积神经网络模型的开山之作,相关的论文:
http://cvml.ist.ac.at/courses/DLWT_W17/material/AlexNet.pdf
模型结构:
03
VGG网络
2014年提出,OpenCV支持Caffe模型。
https://arxiv.org/pdf/1409.1556.pdf
网络结构如下:
04
ResNet网络
残差网络模型在2015年提出,OpenCV从3.3版本开始支持,相关的论文如下:
https://arxiv.org/pdf/1512.03385.pdf
与VGG模型对比,模型结构:
05
SqueezeNet网络
该模型与MobileNet网络都是支持移动端/端侧可部署的模型,2016提出,相关论文如下:
https://arxiv.org/pdf/1602.07360.pdf
模型结构
06
MobileNet网络
支持V1与V2版本,包括ONNX格式文件,MobileNet模型最早在2017年提出,论文地址如下:
https://arxiv.org/pdf/1704.04861.pdf
基于深度可分离实现降低计算与参数的轻量级网络模型,图示如下:
07
DenseNet
该网络是残差网络的升级与改进版本,该模型结构在2016年提出,论文地址如下:
https://arxiv.org/pdf/1608.06993.pdf
网络中的残差block结构如下:
08
ShuffleNet
该网络最早在2017年提出,如今也更新到多个版本,从最早的V1版本到如今的V3版本,OpenCV DNN模型支持v1版本的图像分类,相关论文如下:
https://arxiv.org/pdf/1707.01083.pdf
模型结构主要基于MobileNet的深度可分离与组合卷积进一步创新,生成了通道混合操作,其中通道混合结构与shuffle单元结构如下:
此外基于这些网络结构的自定义网络模型同样可以被OpenCV DNN加载与解析完成图像分类任务。
善始者实繁
克终者盖寡
- JavaScript 教程
- JavaScript 编辑工具
- JavaScript 与HTML
- JavaScript 与Java
- JavaScript 数据结构
- JavaScript 基本数据类型
- JavaScript 特殊数据类型
- JavaScript 运算符
- JavaScript typeof 运算符
- JavaScript 表达式
- JavaScript 类型转换
- JavaScript 基本语法
- JavaScript 注释
- Javascript 基本处理流程
- Javascript 选择结构
- Javascript if 语句
- Javascript if 语句的嵌套
- Javascript switch 语句
- Javascript 循环结构
- Javascript 循环结构实例
- Javascript 跳转语句
- Javascript 控制语句总结
- Javascript 函数介绍
- Javascript 函数的定义
- Javascript 函数调用
- Javascript 几种特殊的函数
- JavaScript 内置函数简介
- Javascript eval() 函数
- Javascript isFinite() 函数
- Javascript isNaN() 函数
- parseInt() 与 parseFloat()
- escape() 与 unescape()
- Javascript 字符串介绍
- Javascript length属性
- javascript 字符串函数
- Javascript 日期对象简介
- Javascript 日期对象用途
- Date 对象属性和方法
- Javascript 数组是什么
- Javascript 创建数组
- Javascript 数组赋值与取值
- Javascript 数组属性和方法