图像分类论文汇总

auto : 神经网络结构搜索（NAS）

 ImageNet 上Top1-acc Top5-Acc：带*的是多模型结果

	auto	version	arxiv	Top1-Acc	Top5-Acc	Params
VGG
GoogleNet		inception-v1	https://arxiv.org/pdf/1409.4842.pdf	-	93.33
		inception-v2	https://arxiv.org/pdf/1502.03167.pdf	78	94.18
				79.9	95.1
		inception-v3	https://arxiv.org/pdf/1512.00567.pdf	*82.8	*96.42	27.1M
		inception-v4	https://arxiv.org/pdf/1602.07261.pdf	*83.5	*96.9	42.0M
ResNet		ResNet50	https://arxiv.org/pdf/1512.03385.pdf	75.3	92.70	26.0M
		ResNet101		76.4	92.9
		ResNet152		77	93.3	66.0M
ResNeXt		ResNeXt101-32xd	https://arxiv.org/pdf/1611.05431.pdf	78.8	94.4
		64x4d		79.6	94.7
DenseNet		densenet121	https://arxiv.org/pdf/1608.06993.pdf	74.98	92.3
		densenet264		77.9	93.9	34M
SENet		SENet50	https://arxiv.org/pdf/1709.01507.pdf			27.7
		SENet101		79.42	-	49.2M
		SENet154		82.7	96.2	146M
ResNet-BoT		ResNet50	https://arxiv.org/pdf/1812.01187.pdf	79.29	94.63
		ResNet101		80.54	-	44.6M
MixNet(MixConv)	√	MixNet-S	https://arxiv.org/pdf/1907.09595.pdf	75.8	92.8	4.1M
	√	MixNet-M		77.0	93.3	5.3M
	√	MixNet-L		78.9	94.2	7.0M
EfficientNet:		B1	https://arxiv.org/pdf/1905.11946.pdf	79.2	94.5	7.8M
		B2		80.3	95	9.2M
		B3		81.7	95.6	12M
		B4		83	96.3	19M
		B7		84.4	97.1	66M
SKNet		SKNet50	https://arxiv.org/pdf/1903.06586.pdf	79.21	-	27.5M
		SKNet101		79.81	-	48.9M
ResNeSt		ResNeSt50	https://arxiv.org/pdf/2004.08955.pdf	81.13	-	27.5M
		ResNeSt101		82.27	-	48.3M

 

ResNet-BoT: Bag of tricks 无痛涨点的几大方法：

（1） Mixup 数据增强 ：非常简单两张图，按像素相加。

 

 

 

（2）label-smooth： 第一次提出用于训练inceptionv2

 

 

 

（3）cosine学习率：与warmup结合， 先从0开始

 

 

 

 

MixNet(MixConv)：针对卷积的改进 有些类似Res2Net

使用分组卷积：不同组使用不同核大小的depthwise 卷积，做一层卷积层就相当于有不同的感受野。在用NAS得到MixNet家族。