论文解读：UNet - 用于生物医学图像分割的卷积网络
U-NetU-Net是2015年发表的用于生物医学图像分割的模型，该模型简单、高效、容易理解、容易定制，能在相对较小的数据集上实现学习。
论文：U-Net: Convolutional Networks for Biomedical Image Segmentation
Research Hub
研究
本页面记录在 人工智能 (AI)、光电技术 (Optoelectronics)、材料分析 (Materials Analysis) 及 半导体物理 (Semiconductor Physics) 等领域的研究动态、学术笔记及深度思考，探索跨学科前沿技术的足迹。
论文解读：SSD - 单次多框检测器
SSD是一种One Stage的检测模型，相比于R-CNN系列模型上要简单许多。其精度与Faster R-CNN相匹敌，而速度达到59FPS，速度上超过Faster R-CNN。
论文解读：YOLO - 统一实时目标检测
YOLO（You Only Look Once ），创造性的将物体检测任务直接当作回归问题来处理，将候选区和检测两个阶段合二为一。目前YOLO版本已经更新到YOLO7，另外还有许多YOLO变种。
论文解读：Faster R-CNN - 通过区域建议网络实现实时目标检测
Faster R-CNN结构上将特征抽取，region proposal提取，bbox regression（包围边框回归），分类都整合到了一个网络中，综合性能有较大提高，检测速度提升较大。
论文：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
论文解读：Fast R-CNN - 基于区域卷积网络的目标检测
Fast R-CNN基于R-CNN和SPPNets，进行模型改进。不需要再生成2000个候选区域，只需要特征提取一次，使用selective search生成2000个区域候选框，再CNN卷积，Rol池化形成特定长度特征向量，送入全连接FC，Softmax，输出定位信息。速度较R-CNN有提升，但依旧慢。
论文：Fast R-CNN
论文解读：ResNet - 深度残差网络用于图像识别
ResNet ImageNet LSVRC-2015竞赛冠军，152层残差网络结构，将Top5错误率降到3.57，已经超过人眼水平，此后ImageNet大赛不再举办。解决了梯度消失的问题。
ResNet 是计算机视觉发展史上最关键的模型之一。它不只是把网络做得更深，而是第一次系统性地解决了一个困扰深层神经网络很久的问题：为什么网络堆得越来越深，训练反而会变差？
论文解读：VGG - 用于大规模图像识别的深度卷积网络
VGG为ImageNet LSVRC-2014竞赛亚军，VGG结构简单，应用性强，广受喜爱。VGG-16、VGG-19效果较好。
论文：Very Deep Convolutional Networks for Large-scale Image Recognition
论文解读：AlexNet - ImageNet Classification With Deep Convolutional Neural Networks
AlexNet是2012年提出的CNN模型， ImageNet LSVRC-2010竞赛冠军，具有划时代意义，在次之前主要用传统机器学习方法SVM，此后，深度学习发展迅速。AlexNet网络结构先卷积，然后全连接。有60 million个参数，65 thousand个神经元，五层卷积，三层全连接网络，输出层为1000通道的softmax。利用了GPU进行计算，大大提高了运算效率。
论文：ImageNet Classification with Deep Convolutional Neural Networks
论文解读：LeNet5 - 基于梯度的学习应用于文档识别
LeNet-5是Yann LeCun在1998年提出的多层神经网络，用于解决手写数字识别的，并证明在当时该识别方法优于其他识别方法；自此，CNN的模型基本都基于该架构：卷积层、池化层、全连接层。
