图像分类国内外研究现状

图像分类是计算机视觉领域中的一个重要任务，其目标是将输入的图像分配到不同的预定义类别中。近年来，随着深度学习的兴起，图像分类算法的性能不断提高。国内外在图像分类方面的研究现状如下：

国外研究现状：
1. 2012年，AlexNet模型在ImageNet图像分类比赛中斩获冠军，该模型采用了深度卷积神经网络（CNN）结构，为深度学习在图像分类领域的应用奠定了基础。
2. 2014年，VGGNet模型提出，通过增加网络深度和卷积核大小，进一步提升了图像分类准确率。
3. 2015年，GoogLeNet模型提出，通过加入Inception模块，使得网络深度和计算复杂度得到了有效控制。
4. 2016年，ResNet模型提出，通过引入残差结构，使得网络可以更深而不会出现梯度消失或梯度爆炸的问题。

国内研究现状：
1. 2017年，阿里巴巴提出了DenseNet模型，该模型通过将每个卷积层的输出与之前所有卷积层的输出连接起来，增加了网络的信息流动性，进一步提升了图像分类准确率。
2. 2018年，华为提出了SENet模型，该模型通过引入SE模块，使得网络可以学习到通道之间的关系，进一步提升了图像分类准确率。
3. 2019年，中科院自动化所提出了ResNeSt模型，该模型通过引入Nested Residual Blocks和Split-Attention机制，进一步提升了图像分类准确率。
4. 2020年，北航提出了GhostNet模型，该模型通过引入Ghost Module，使得网络可以更轻量化，同时保持较好的分类准确率。