常用的特征提取网络，如resnet50

ResNet50是一个非常流行的卷积神经网络模型，它以Residual Block为基本单元。ResNet50在ImageNet数据集上表现优秀，因此被广泛用于计算机视觉领域的各种任务，如图像分类、目标检测、图像分割等。

在图像分类任务中，ResNet50通常被用来提取图像的特征。ResNet50的主要结构由5个阶段（stage）组成，每个阶段包含多个Residual Block。在每个阶段的第一个Residual Block中，采用stride=2的卷积层来进行下采样，从而减小特征图的大小。在每个阶段的最后一个Residual Block中，采用1x1的卷积层来进行通道数的调整，从而使得特征图的通道数与下一个阶段的特征图通道数相等。

ResNet50提取图像特征的效果很好，因为它有足够的深度和复杂度来捕获图像中的细节信息，并且通过残差块的设计避免了梯度消失问题，从而可以训练非常深的网络。因此，ResNet50被广泛应用于各种图像处理任务中。