常用的backbone模型基于ImageNet分类任务

【在目标检测、目标分割以及目标跟踪等基础视觉任务中，多数主干网络均是依托于ImageNet分类任务进行构建的。尽管ImageNet竞赛（ILSVRC）自2017年起已不再举办，但除竞赛期间提出的经典模型外，仍持续有新型深度神经网络架构被提出。为便于研究中对各类主干网络进行选择，有必要对不同模型在准确率、运行速度及内存占用等维度上的性能进行系统性对比分析，从而为实际应用提供有价值的参考信息。

此处附有一个汇总了机器学习相关论文及其开源代码实现的网站，其中涵盖了计算机视觉、自然语言处理、医学影像等多个领域内上千个任务的分类信息，并支持根据影响力最大或最新发表等条件进行筛选排序，有助于快速掌握各研究领域的最新进展。
Browse State-of-the-Art：https://www.paperswithcode.com/sota

目录

• ImageNet分类竞赛模型（2012-2017）
  • • ImageNet挑战赛分类结果的评估方法
    • 对ImageNet挑战赛中模型性能的测评分析
    • 对关键性能指标影响因素的归纳总结

  • 近年来广受关注的经典模型（2017-2019）

  • • 准确率与计算复杂度及模型复杂度之间的关系对比
    • 准确率与学习能力之间的关联性分析