如今，在機器視覺領域，深度學習已經是最流行且增長最快的一個方向了。OpenCV自3.1版本其就在contrib中加入了DNN模組。到3.3版本時，將DNN模組由contrib提升到了正式程式碼塊中。在住倉庫中的位置為：https://github.com/opencv/opencv/tree/master/modules/dnn。同時相較於3.1版本，3.3版本對DNN做了很大改進！

該DNN模組除了libprotobuf，不依賴任何第三方庫；並且libprotobuf已經包含在了OpenCV的ThirdParty，安裝OpenCV時會一併安裝，很方便。

目前，該DNN模組支援載入訓練好的模型（即：這些模型需要實現在Caffe、TensorFlow、Torch/PyTorch等深度學習框架中提取訓練好），並執行前向傳播過程（即預測）。

支援的深度學習庫：

Caffe 1
TensorFlow
Torch/PyTorch
主要的層及函式：

AbsVal（caffe/layers/absval_layer.hpp這一層比較簡單：主要就是求絕對值）
AveragePooling（平均值池化）
BatchNormalization（就像啟用函式層、卷積層、全連線層、池化層一樣，BN也屬於網路的一層；在網路中間層資料做一個歸一化處理）
Concatenation（Caffe中通過Concatenation層，可以把多個的blobs連結成一個blob）
Convolution (including dilated convolution)
Crop
Deconvolution, a.k.a. transposed convolution or full convolution
DetectionOutput (SSD-specific layer)
Dropout
Eltwise (+, *, max)（caffe提供的按元素操作層。它支援3種基本操作：PROD按元素乘積；SUM按元素求和；MAX儲存最大元素 ）
Flatten（Caffe中Flattening層是把一個輸入的大小為n * c * h * w變成一個簡單的向量，其大小為 n * (c*h*w) * 1 * 1）
FullyConnected
LRN（Local Response Normalization，caffe中LRN是對一個區域性的輸入區域進行的歸一化）
LSTM
MaxPooling（最大池化）
MaxUnpooling
MVN
NormalizeBBox (SSD-specific layer)
Padding
Permute
Power
PReLU (including ChannelPReLU with channel-specific slopes)
PriorBox (SSD-specific layer)
ReLU
RNN
Scale
Shift
Sigmoid
Slice（Caffe中Slice layer 的作用是將bottom按照需要分解成多個tops）
Softmax（啟用函式）
Split（Caffe中Splitting層可以把一個輸入blob分離成多個輸出blobs）
TanH（啟用函式）
一些已經經過測試的網路：
AlexNet
GoogLeNet v1 (also referred to as Inception-5h)
ResNet-34/50/...
SqueezeNet v1.1
VGG-based FCN (semantical segmentation network)
ENet (lightweight semantical segmentation network)
VGG-based SSD (object detection network)
MobileNet-based SSD (light-weight object detection network
例程：
https://github.com/opencv/opencv/tree/master/samples/dnn
--------------------- 
作者：guoyunfei20 
來源：CSDN 
原文：https://blog.csdn.net/guoyunfei20/article/details/78357242 
版權宣告：本文為博主原創文章，轉載請附上博文連結！