从LeNet到ConvNeXt：卷积神经网络架构演进全景回顾

卷积神经网络（CNN）的演进历程是一部不断突破计算效率与表征能力边界的技术史诗。从 1998 年的基础架构到 2022 年的最新突破，其核心设计哲学始终围绕如何更高效地提取图像特征展开。
早期架构以局部感知和权值共享为核心。1998 年提出的首个工业级模型通过卷积层提取边缘特征，池化层压缩空间维度，全连接层完成分类，成功解决手写数字识别问题。2012 年的突破性模型引入 ReLU 激活函数和数据增强技术，将 Top-5 错误率从 26% 降至 15.3%，重新定义了视觉任务的解决方案。
深度革命阶段聚焦网络深度与结构创新。2014 年的改进模型通过堆叠 3×3 卷积核替代大尺寸卷积，在减少参数量的同时提升非线性表达能力，证明了深度网络的可行性。同年另一项工作引入并行多尺度卷积结构，通过不同尺寸卷积核捕捉多尺度特征，在保持计算效率的同时将错误率进一步降低至 6.7%。2015 年残差网络的出现彻底解决梯度消失问题，通过跳跃连接直接传递输入信息，使训练超过 100 层的网络成为可能，在 ImageNet 任务上达到 76.4% 的准确率。
现代架构探索特征重用与效率优化。2017 年的密集连接网络提出跨层特征复用机制，每个层接收所有前层特征作为输入，在参数减少 40% 的情况下实现性能提升，其设计理念被广泛应用于医学影像分析等领域。2020 年的高效架构采用复合缩放策略，同时调整网络深度、宽度和输入分辨率，在移动端设备上实现精度与速度的最佳平衡。
面对 Transformer 的挑战，2022 年的最新模型重新审视卷积潜力。该模型借鉴自注意力机制的设计理念，通过阶段计算比例调整、Patchify 茎层和深度可分离卷积，将传统 ResNet 升级为层次化结构。其创新点包括：将阶段计算比例从经验设计的 (3:4:6:3) 调整为类似 Transformer 的 (3:3:9:3)，使特征提取更均衡；用 4×4 卷积替代传统茎层，实现类似图像分块的处理效果；采用分组数等于通道数的深度可分离卷积，在减少计算量的同时保持表达能力，最终在 ImageNet 分类任务中达到 87.8% 的 Top-1 准确率，在目标检测和语义分割任务中超越同期 Transformer 模型。
这场持续 24 年的技术演进揭示：CNN 始终通过结构创新延续生命力，从早期的局部感知到现代的全局建模，从手工设计到自动化优化，其发展轨迹不仅是算法迭代的典范，更为跨模态融合和边缘计算提供了坚实基础。未来，随着与 Transformer 的深度融合，卷积神经网络将继续在计算机视觉领域发挥不可替代的作用。