卷积神经网络开山之作

卷积神经网络（Convolutional Neural Network，CNN）的开山之作是由Yann LeCun等人于1998年提出的LeNet-5模型。LeNet-5是一个用于手写数字识别的深度学习模型，它成功地将卷积运算引入神经网络中，并且通过卷积层、池化层和全连接层的组合，实现了对手写数字的高效识别。LeNet-5在当时的手写数字识别任务上取得了很好的成绩，为后来的深度学习模型奠定了基础。

相关问题

图神经网络的开山之作是什么

图神经网络的开山之作可以说是Graph Convolutional Network (GCN)。GCN是一种基于图结构的深度学习模型，最早由Kipf和Welling在2016年提出。GCN通过对节点以及其邻居节点的信息进行聚合和传播，实现了在图数据上的卷积操作。它在节点分类、链接预测、社交网络分析等任务上取得了良好的效果，并且为后续的图神经网络研究奠定了基础。

Mask R-CNN网络模型[49]是2017年由何凯明等提出的一种简单、灵活、通用的实例分割框架，是在Faster R-CNN[50]模型的基础上，添加一个对每个ROI预测的Binary mask分支，是双阶段网络框架，第一阶段网络用于候选区域的提取；第二阶段网络对提取的候选区域进行分类和精确坐标的回归，是属于R-CNN系列的巅峰之作。下面首先介绍R-CNN系列中开山之作R-CNN网络模型[51]，R-CNN网络模型的整体框架图如图2-21。这段话换个表达方式描述出来

Mask R-CNN网络模型是一种实例分割框架，由何凯明等人在2017年提出。它是在Faster R-CNN模型的基础上添加了一个对每个ROI预测的Binary mask分支，采用双阶段网络框架。第一阶段网络用于提取候选区域，第二阶段网络对提取的候选区域进行分类和精确坐标的回归。R-CNN系列中的开山之作是R-CNN网络模型，整体框架如图2-21所示。