图像语义分割、目标识别的经典深度学习模型有哪些

经典的深度学习模型包括：

1. FCN（Fully Convolutional Network，全卷积网络）：可以将全连接层转换为卷积层，使得网络可以接受任意尺寸的输入，适用于图像语义分割任务。

2. U-Net：是一种基于全卷积网络的图像分割模型，通过对称的上采样和下采样操作，可以为每个像素预测标签。

3. SegNet：是一种基于编码器-解码器结构的图像分割模型，使用池化层的索引进行上采样，适用于低分辨率的输入图像。

4. Mask R-CNN：是一种基于区域卷积神经网络（R-CNN）的目标检测和分割模型，可以同时检测和分割图像中的多个目标。

5. YOLO（You Only Look Once）：是一种单阶段的目标检测模型，可以在一次前向传播中直接预测边界框和类别。

6. Faster R-CNN：是一种基于区域卷积神经网络的目标检测模型，通过引入RoI池化层来提高检测速度和准确率。

7. SSD（Single Shot MultiBox Detector）：是一种单阶段的目标检测模型，通过多个尺度的特征图和多个先验框来检测不同大小和比例的目标。

这些模型都是经典的深度学习模型，已经在图像语义分割和目标识别任务中得到了广泛的应用。