深度学习CNN常见模型详解——包含数据库
http://blog.leanote.com/post/[email protected]/%E5%9B%BE%E5%83%8F%E6%95%B0%E6%8D%AE%E5%BA%93
一、Data Set数据集（常用）
PASCAL VOC包括物体的类别标签和位置标签，一万图像，20类。
ImageNet有22K种共15M张高分辨率带标签图像，图像全被收集于网络，人工标记。
二、CNN Model
1、 LetNet网络模型（数字识别，2个卷积层，2个池化层，2个全连接层）
其中：C表示卷积层，S表示池化层，F表示全连接层，下标意为图像大小
卷积层：卷积核大小为5*5，步长stride=1
池化层：max pooling，采样2*2，步长stride=2
2、AlexNet网络模型（引入GPU，增加特殊层（LRN层），比LetNet更深，用多层小卷积层叠加替换单大卷积层）
3、ZF网络模型
4、VGG网络模型（版本多，连续conv层多，计算量巨大）
每次卷积都包含3个卷积层
5、GoogleNet网络模型（用更多的卷积，更深的层次可以得到更好的结构）