Backbone

Backbone

在计算机视觉中，Backbone（主干网络） 是深度学习模型的特征提取器，通常是用于从输入图像中提取高级语义特征的卷积神经网络部分，后续模块（如检测头、分割头等）就是基于这些特征进行推理。

下面是一些常用的主干网络（Backbone）及其特点分类：

🔹 1. ResNet 系列（Residual Networks）

• 代表模型：ResNet-18, ResNet-50, ResNet-101, ResNet-152

• 特点：

  • 引入 残差连接（skip connection），解决深层网络的梯度消失问题；

  • 模型越深通常提取的特征越丰富，性能越好；

• 应用场景：目标检测（Faster R-CNN、Mask R-CNN）、图像分类等。

🔹 2. VGG 系列

• 代表模型：VGG-16, VGG-19

• 特点：

  • 结构简单，全部使用 3x3 卷积 + 池化；

  • 参数量大，计算开销大；

• 现状：较老，已逐渐被 ResNet、MobileNet 等替代。

🔹 3. MobileNet 系列

• 代表模型：MobileNetV1/V2/V3

• 特点：

  • 轻量级网络，适合移动端、嵌入式设备；

  • 使用 深度可分离卷积 大幅降低计算量；

• 应用场景：实时检测、边缘设备部署。

🔹 4. EfficientNet 系列

• 代表模型：EfficientNet-B0 ~ B7

• 特点：

  • 使用复合缩放策略同时放大网络的深度、宽度和分辨率；

  • 性能与速度兼顾，是一种高性价比的 backbone；

• 应用场景：分类、检测、分割等任务。

🔹 5. ConvNeXt

• 作者：Meta AI

• 特点：

  • 借鉴了 Transformer 的设计灵感，但仍使用纯 CNN 架构；

  • 在 ImageNet 上超越了许多 Transformer 模型；

• 现代化的 CNN，兼顾精度与效率。

🔹 6. Swin Transformer

• 特点：

  • 基于窗口的自注意力机制，属于视觉 Transformer；

  • 支持多尺度特征提取，非常适合作为分割或检测任务的 backbone；

• 已广泛用于 Mask R-CNN、Cascade R-CNN 等。

🔹 7. Vision Transformer (ViT)

• 结构：纯 Transformer 架构，打破 CNN 框架；

• 特点：

  • 不用卷积，直接处理图像 patch；

  • 对训练数据规模和计算资源较为敏感；

• 应用趋势：ViT + Hybrid CNN 架构逐渐成为主流。

📊 简单对比（以 ImageNet 为例）：

Backbone	Params	FLOPs	Top-1 Acc	特点说明
ResNet-50	25M	4 GF	76.0%	主流基线，高性能
MobileNetV2	3.4M	0.3GF	72.0%	移动端友好，轻量
EfficientNet-B0	5.3M	0.39GF	77.1%	性能优越，参数较少
Swin-T	29M	4.5GF	81.3%	视觉 Transformer，表现强
ViT-B/16	86M	17.6GF	79.7%	大模型，对数据依赖高