ResNet-50
一种50层深的残差神经网络，由微软研究院提出，以瓶颈结构减少计算量，是图像分类领域最常用的基准模型之一
时间轴 (近 90 天)
在ResNet-50 backbone上，FDSML预训练模型在Stanford Online Products数据集上的Recall@1从65.6%提升至74.0%。
ResNet-50和MobileNetV3都是ImageNet预训练的常用骨干网络，前者精度高，后者适合端侧部署。
BrainAid的性能指标超越了VGG16、Inception-V3、ResNet-50等标准模型。
VGG16、Inception-V3、ResNet-50等标准模型参数规模大、推理成本高，通常需要GPU服务器支撑。
论文在 CIFAR-10 和 ImageNet 上测试 GCD，覆盖 ResNet-18、ResNet-50、ViT-B/16 三种架构，并对四种主流攻击方法进行了评估。
ResNet-50有2500万参数、4 GFLOPs计算量
BlurPool能将ResNet-50的平移一致性从约89%提升到约95%，同时分类准确率有约0.5%的小幅提升
MobileNetV3 Large 版本在 ImageNet 上达到 75.2% Top-1 精度，推理延迟仅为 ResNet-50 的约 1/5
ResNet-50 包含约 2560 万参数，在 ImageNet 上达到 76.1% 的 Top-1 精度
ResNet-50 在 8 张 NVIDIA V100 GPU 上训练 90 个 epoch 大约需要 29 小时，单张 V100 则需要约一周时间
全部知识事实 (10)
在ResNet-50 backbone上，FDSML预训练模型在Stanford Online Products数据集上的Recall@1从65.6%提升至74.0%。
50%待验证ResNet-50和MobileNetV3都是ImageNet预训练的常用骨干网络，前者精度高，后者适合端侧部署。
50%待验证BrainAid的性能指标超越了VGG16、Inception-V3、ResNet-50等标准模型。
50%待验证VGG16、Inception-V3、ResNet-50等标准模型参数规模大、推理成本高，通常需要GPU服务器支撑。
50%待验证论文在 CIFAR-10 和 ImageNet 上测试 GCD，覆盖 ResNet-18、ResNet-50、ViT-B/16 三种架构，并对四种主流攻击方法进行了评估。
50%待验证ResNet-50有2500万参数、4 GFLOPs计算量
50%待验证BlurPool能将ResNet-50的平移一致性从约89%提升到约95%，同时分类准确率有约0.5%的小幅提升
50%待验证MobileNetV3 Large 版本在 ImageNet 上达到 75.2% Top-1 精度，推理延迟仅为 ResNet-50 的约 1/5
50%待验证ResNet-50 包含约 2560 万参数，在 ImageNet 上达到 76.1% 的 Top-1 精度
50%待验证ResNet-50 在 8 张 NVIDIA V100 GPU 上训练 90 个 epoch 大约需要 29 小时，单张 V100 则需要约一周时间
50%