2018年以来用于图像识别的深度神经网络有哪些

2018年以来，用于图像识别的深度神经网络包括但不限于以下几种：

1. ResNet（残差网络）：由微软研究院研发，通过引入残差块的方式，解决了深度神经网络训练过程中梯度消失和过拟合的问题。

2. InceptionNet（Inception网络）：由Google研究团队研发，采用了多个大小不同的卷积核和池化层，从而提高了网络的识别能力。

3. DenseNet（密集连接网络）：由香港中文大学研究团队研发，通过在网络中引入密集连接块，使得每个卷积层都可以接收前面所有层的输入，从而提高了信息流的传递效率和网络的表达能力。

4. MobileNet（移动网络）：由Google研究团队研发，采用了深度可分离卷积的方式，使得网络在保持较高的准确率的同时，可以在移动设备上实现实时推理。

5. ShuffleNet（混洗网络）：由中国科学院自动化研究所研究团队研发，通过引入通道重排和组卷积等技术，使得网络的计算量和参数数量大大降低，同时保持了较高的准确率。