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研究方向，其目的是将图像分为不同的类别。以下是图像分类国内外研究现状的简要介绍：

国外研究现状：

1. LeNet-5：是一种经典的卷积神经网络模型，由Yann LeCun在20世纪90年代提出，用于手写数字识别。

2. AlexNet：是2012年ImageNet图像分类比赛的冠军模型，采用了深度卷积神经网络，引领了深度学习的热潮。

3. VGG系列：包括VGG-16和VGG-19两个模型，提出了使用更小的卷积核和更深的网络结构来提高模型性能的思路。

4. GoogLeNet：在2014年ImageNet图像分类比赛中获得了冠军，采用了Inception结构，将不同大小的卷积核和池化层进行组合。

5. ResNet：在2015年ImageNet图像分类比赛中获得了冠军，提出了残差学习的思想，解决了深度卷积神经网络训练过程中的梯度消失问题。

国内研究现状：

1. KCPD：是一种基于卷积神经网络的图像分类模型，由清华大学的研究团队提出，可以在小样本情况下进行高精度的分类。

2. ResNeSt：是一种基于ResNet的新型图像分类模型，由南京大学的研究团队提出，通过特征重复和跨阶段连接来提高模型性能。

3. SKNet：是一种基于注意力机制的图像分类模型，由南京大学的研究团队提出，可以自适应地调节不同通道之间的关系。

4. GhostNet：是一种轻量级的图像分类模型，由华为诺亚方舟实验室的研究团队提出，可以在保持高精度的同时减少模型参数和计算量。

5. EfficientNet：是一种基于自动化网络结构搜索的图像分类模型，由北京大学的研究团队提出，可以根据目标精度和计算资源来自动调节网络结构。