比较新的深度学习分类算法有哪些

深度学习分类算法在不断的发展和更新，以下是一些比较新的深度学习分类算法：

1. Transformer：Transformer是一种基于自注意力机制的神经网络模型，用于序列到序列的学习。它在自然语言处理领域中大获成功，在机器翻译、问答系统等任务中表现出色。

2. EfficientNet：EfficientNet是一种基于神经网络的图像分类算法，其特点是具有高效和准确的特性。它通过网络深度、宽度和分辨率的缩放，来平衡模型大小和准确性。

3. ResNeSt：ResNeSt是一种基于残差网络的神经网络模型，通过增加特征重用和跨分区的连接来改进模型的性能。它在图像分类、目标检测和语义分割等任务中表现出色。

4. Swin Transformer：Swin Transformer是一种基于Transformer的神经网络模型，通过使用分层分组的注意力机制和窗口交叉局部注意力机制来提高模型的效率和准确性。它在图像分类、目标检测和语义分割等任务中表现出色。

5. Vision Transformer：Vision Transformer是一种基于Transformer的神经网络模型，用于图像分类任务。它通过将图像分成不同的图块，并使用Transformer的自注意力机制来提取特征，从而实现高效和准确的图像分类。

这些新的深度学习分类算法在不同的应用场景中表现出色，如语音识别、图像分类、目标检测等。它们的发展也推动了深度学习的不断进步和发展。