2017年以来用于图像识别的深度神经网络有哪些

自2017年以来，用于图像识别的深度神经网络有以下几种：

1. ResNet（残差网络）：ResNet是由何凯明等人提出的经典网络结构，通过引入残差跳连机制，解决了深度网络训练时的梯度消失和梯度爆炸问题，可以训练非常深的网络。

2. Inception-v4：Inception-v4是Google Brain团队在Inception系列网络的基础上提出的新型网络结构，引入了残差单元和分支结构等新技术，使得网络具有更好的识别性能和更高的计算效率。

3. DenseNet（密集连接网络）：DenseNet是由李飞飞等人提出的新型网络结构，通过引入密集连接机制，使得网络中的每个层都能够接收到之前所有层的输入，从而进一步提高了网络的识别性能。

4. MobileNet：MobileNet是Google提出的一种轻量级的深度神经网络结构，通过采用深度可分离卷积和轻量级的网络设计，可以在移动设备等资源受限的场景中实现高效的图像识别。

5. NASNet（神经架构搜索网络）：NASNet是由Google在自动化神经网络设计领域取得的一项重要进展，通过自动搜索合适的网络结构，可以获得比手动设计更好的网络性能和更高的识别准确率