汇总 | OpenCV DNN模块中支持的分类网络

小白学视觉

共 1580字,需浏览 4分钟

 ·

2020-09-09 17:04


点击上方蓝字关注我们

微信公众号:OpenCV学堂

关注获取更多计算机视觉与深度学习知识

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。


福利:免费送30课时OpenCV4 C++入门课程

扫码即可开始观看学习


善始者实繁

克终者盖寡


 推荐阅读 

OpenCV4系统化学习路线图-视频版本!

OpenCV单应性矩阵发现参数估算方法详解

单应性矩阵应用-基于特征的图像拼接

OpenCV图像拼接改进算法之完美拼接

OpenCV | 二值图像分析的技巧都在这里

OpenCV二值图像分析之形态学应用技巧

OpenCV 基于Inception模型图像分类

Opencv+TF-Slim实现图像分类及深度特征提取

基于灰度共生矩阵(GLCM)的图像纹理分析与提取

OpenCV中一个最容易搞错的形态学操作

OpenCV实现皮肤表面粗糙度3D显示

解密 | OpenCV加载图像大小是有限制的 ?

OpenCV中ORB特征提取与匹配

OpenCV SIFT特征算法详解与使用

HOG特征详解与行人检测

OpenCV4.4 + YOLOv4 真的可以运行了…..


浏览 36
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报