近些年出现的卷积神经网络

近些年出现的卷积神经网络（Convolutional Neural Networks，CNN）是一在计算机视觉领域取得大成功的深度学习模型。它在图像识别、目标检、图像分割等任务上表现出色。以下是一些近年来出现的卷积神经网络：

1. LeNet-5：LeNet-5是由Yann LeCun等人于1998年提出的第一个卷积神经网络模型，用于手写数字识别。它包含了卷积层、池化层和全连接层，并使用了激活函数和softmax分类器。

2. AlexNet：AlexNet是由Alex Krizhevsky等人于2012年在ImageNet图像识别竞赛中获胜的模型。它采用了深度卷积神经网络结构，并引入了ReLU激活函数和Dropout正则化技术，大大提升了图像识别性能。

3. VGGNet：VGGNet是由Karen Simonyan和Andrew Zisserman于2014年提出的模型。它采用了更深的网络结构，包含了16或19个卷积层，使用小尺寸的卷积核和较小的步幅，使得网络更加深层和精细。

4. GoogLeNet：GoogLeNet是由Google团队于2014年提出的模型，它采用了Inception模块，通过并行使用不同尺寸的卷积核和池化层，提高了网络的宽度和深度，减少了参数数量。

5. ResNet：ResNet是由Kaiming He等人于2015年提出的模型，它引入了残差连接（residual connection）的概念，解决了深层网络训练中的梯度消失和梯度爆炸问题，使得网络可以更深。

6. MobileNet：MobileNet是由Google团队于2017年提出的模型，它针对移动设备的计算资源有限的情况进行了优化。MobileNet使用了深度可分离卷积（depthwise separable convolution）来减少计算量和参数数量。