卷积神经网络的现状
1943年美国数学家提出人工智能
1949年心理学家建立神经元模型
1957年弗兰克提出 感知器人工神经网络模型
1980年建立多层感知器模型
1984日本学者提出卷积神经网络原始模型神经感知机
1998年提出LeNet-5卷积神经网络，并发展了其在音符和字符上的优势
2012年提出八层网络结构的AlexNet卷积神经网络
2014年牛津大学提出VGG网络
2015年谷歌提出GoogLeNet，同年微软构建了RestNet
1、CNN，卷积神经网络，是以卷积为核心的一大类网络。
2、LeNet、AlexNet、VGG、GoogLeNet，属于CNN。这些模型都是基于CNN单元构建起来的，本来是用来训练图像分类任务的
3、RCNN、Fast RCNN、Faster RCNN、YOLO、YOLOv2、SSD，也属于CNN，但和2是另一条路线。这些模型是用于检测任务的。
区别：从肤浅的层面说，2和3的区别在于，2属于用于图像分类的CNN，3属于用于目标检测的CNN。
RCNN-> fastRCNN -> fasterRCNN 是two-stage的方法，YOLO->YOLOv2->YOLOV3, SSD是one-stage的方法。
比如目标检测，RCNN系列、YOLO等都是利用了训练好的图像分类模型，利用它们提取的特征，再做下一步的工作；
AlexNet、VGG这些模型都是基于CNN单元构建起来的，本来是用来训练图像分类任务的
图像语义分割相关网络简述–书签
按照时间顺序：FCN 、SegNet 、U-Net、Dilated Convolutions 、DeepLab (v1 & v2) 、RefineNet 、PSPNet 、Large Kernel Matters 、DeepLab v3
全卷积神经网络FCN
2015年提出的用于图像语义分割的一种框架。
FCN仍有一些缺点，比如：得到的结果还不够精细，对细节不够敏感；没有考虑像素与像素之间的关系，缺乏空间一致性等。
图像分类和目标检测的区别。
https://baijiahao.baidu.com/s?id=1601136768941830725&wfr=spider&for=pc
