Title：ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile
Authors：Face++团队
Session：CVPR, 2018
Abstract：作者提出一个效率极高的网络结构 ShuffleNet，专门应用于计算力受限的移动设备。网络利用两个操作：pointwise group convolution 和 channel shuffle，与现有先进模型相比在类似的精度下大大降低计算量。在 ImageNet 和 MS COCO 上 ShuffleNet 表现出比其他先进模型的优越性能。

Title：MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications
Authors：Google 团队
Abstract：MobileNet 是为移动和嵌入式设备提出的高效模型。 使用了深度可分离卷积来构造的轻量级深度神经网络，计算量大幅度减小，且性能能媲美其它网络。

Title：Densely Connected Convolutional Networks
Author：Gao Huang, Zhuang Liu, et al.
Session：CVPR, 2017
Abstract：作者发现 ResNet 的结构有些许冗余，因此提出要将网络中的每一层都相互相连，而不是像 ResNet 那样只是 block 之间连接。作者提出的这种 DenseNet 结构参数量比 ResNet 要少，网络层数也比 ResNet 要少，但是效果却比 ResNet 要好。

Title：Aggregated Residual Transformations for Deep Neural Networks
Authors：Saining Xie，Kaiming He
Session：CVPR, 2017
Abstract：提高网络性能，除了深度和宽度外，作者提出了 cardinality 的概念，并修改 ResNet 成一个高度模块化的网络 ResNeXt，对比 ResNet 和 Inception，ResNeXt 的超参数很少，不需要精细的网络设计，且网络参数和计算量都比 ResNet 少。

Title：Wide Residual Networks
Authors：Sergey Zagoruyko, Nikos Komodakis
Session：BMVC, 2016
Abstract：传统的 ResNet 都是以深度为主，作者从宽度（channel 大小）出发，提出了通过拓宽网络的 channel 数，也能达到和深层 ResNet 一样的效果，且训练更快。

Title：Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning
Authors：Christian Szegedy, Sergey Ioffe
Session：AAAI, 2017
Abstract：作者修改了 Inception-v3 为 Inception-v4，并且将 Inception 和 ResNet 进行结合。两个网络的性能接近。

Title：Rethinking the Inception Architecture for Computer Vision
Authors：Christian Szegedy et al.
Session：CVPR, 2016
Abstract：Inception 的作者进一步地优化网络结构，提出了非对称卷积的方法，使得网络的训练速度和性能得到进一步的增强，该版本被称为 Inception-v3。

Title：Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift
Authors：Christian Szegedy, Sergey Ioffe
Session：ICML, 2015
Abstract：Inception 的作者提出 batchNorm，从而解决 internal covariate shift 的问题，使得网络训练更快，并在自己的 Inception 网络上加入 batchNorm，使得在 ImageNet 上的错误率进一步降低，该网络被称为 Inception-BN。

Title：Identity Mappings in Deep Residual Networks
Authors：Kaiming He et al
Session：ECCV, 2016
Abstract：作者在 ResNet-v1 基础上进行了修改，使得表现得到了提升，该网络称为 ResNet-v2.

Title：Deep Residual Learning for Image Recognition
Authors：Kaiming He et al
Session：CVPR, 2016
Abstract：这就是传说中的ResNet，作者提出了残差学习(residual learning)，解决了深层网络的退化问题(degradation)，并且破天荒地将网络层数加深到 152 层，并且揽获 ILSVRC 2015 的所有比赛冠军（分类，检测，定位）。