基于深度卷积神经网络模型（深度卷积神经网络架构最新进展综述论文）

近几年的AI发展潮流势不可挡，其中深度学习算法功不可没，巨大的应用价值也造就了这一领域的快速发展速度，相关论文层出不穷，今天为大家推荐一篇最新的综述文章，介绍了深度卷积神经网络（CNN）框架的一些最新研究进展。

介绍：

深度卷积神经网络（CNN）是一种特殊类型的神经网络，它在各种竞赛中均取得了非常不错的结果，深度CNN的强大学习能力，主要通过多层非线性特征提取器来实现，这些过程可以自动的从数据中学习分层表示。大量的可用数据和硬件处理器的改进加速了CNN的研究进程。

最近，CNN相关算法的研究表明，在一些非常具有挑战性的基准测试中，创新的架构思想以及参数上的优化，可以大幅度的提高算法的性能。在这方面，以往的研究已经做了大量的实验，证明了这一点，例如使用不同的激活函数和损失函数、参数优化、正则化以及框架重构等等。因此，本篇综述主要针对CNN架构中的内在结构分类，将CNN架构划分为七种不同类别，这七个类别基于空间利用、深度、多路径、宽度、feature map、channel提升以及注意力机制。此外，还涵盖了CNN组件的基本介绍，并阐明了CNN当前的挑战和机遇。

私信回复“SRADC” 就可以获取本文的下载链接~

附论文全文：

,