几种类型的BackBone
LeNet--1998年
AlexNet--2010年
VGG--2014年
使用三个3×3的卷积核替代一个7×7的卷积核，以减少网络的参数
GoogleNet--2014年
1.引入了Inception结构（可以融合不同尺度的信息）
2.使用了1×1的卷积核进行降维处理
3.在训练网络的时候添加了两个辅助分类器（loss=loss0+loss1×0.3+loss2×0.3），测试的时候只有一个主输出
4.丢弃全连接层，使用平均池化以减少网络参数
ResNet--2017年
1.突破1000层的网络结构
2.提出残差（residual）模块，解决精度随网络层数加深而下降的“退化”问题
3.使用Batch Normalization加速训练过程，同时解决梯度消失和梯度爆炸的问题，丢弃dropout层
MobileNet v1--2017年
正常的卷积：
问题：之前的普通convolution构成的backbone参数过多，不利于移动端设备开发。
1.通过Depthwise Convolution（卷积核的channel恒定为1）和Pointwise Convolution（卷积核的大小恒定为1，其余特征和普通卷积相同）减少参数量
DW+PW组成的卷积效果和普通卷积是相同的，但是大大减少了参数的量。
2.增加超参数α：控制卷积核个数、β：控制图像输入大小。
MobileNet v2--2018年
1.倒残差结构（先升维后降维，且采用ReLu6激活函数）
2.linear bottlenecks