任务 1：目标识别/分类

神经网络：MobileNet - V1 | CPU, NPU, DSP

图像分辨率：224 x 224 px

ImageNet 准确率：69.7%。

这是一个非常基础但很强大的神经网络，能够基于一张照片识别 1000 个不同的对象类别，准确率约为 70%。经过量化，其大小可小于 5Mb，再加上低耗内存，它可在几乎所有现有智能手机上使用。

任务 2：目标识别/分类

神经网络：Inception - V3 | CPU, NPU, DSP

图像分辨率：346 x 346 px

ImageNet 准确率：78.0 %

这是对上一个网络的进一步扩展：更加精确，但代价是规模是原来的 4 倍且对计算的要求较高。一个明显的优势是——它可以处理分辨率更高的图像，这意味着更精确的识别和更小目标的检测。

任务 3：人脸识别

神经网络：Inception - Resnet - V1 |CPU

图像分辨率：512x512 px

LFW 得分：0.987

这个任务无需过多介绍：根据人脸照片识别出这个人。实现方式如下：对于每个人脸图像，神经网络会对人脸编码并生成一个 128 维的特征向量，该特征向量不随缩放、移动或旋转而改变。然后，在数据库中检索和此向量最匹配的特征向量(以及对应的身份)，数据库里包含数亿个此类信息。

任务 4：图像去模糊

神经网络：SRCNN 9-5-5 | CPU, NPU, DSP

图像分辨率：300 x 300 px

Set-5 得分 (x3)：32.75 dB

还记得用手机拍出的模糊照片吗?这个任务就是：让图片变得清晰。在最简单的情况下，这种失真是通过对未损坏的图像应用高斯模糊来建模的，然后尝试使用神经网络来恢复它们。在这个任务中，模糊是通过一种最原始、最简单、最轻量级的神经网络 SRCNN(只有 3 个卷积层)去除的。但是即便如此，它仍然显示出相当令人满意的结果。

任务 5：图像超分辨率

神经网络：VGG - 19 | CPU, NPU, DSP

图像分辨率：192 x 192 px

Set-5 得分 (x3)：33.66 dB

你有过缩放照片的经历吗?缩放时是不是会有失真、细节丢失或清晰度下降的问题?这项任务就是让缩放过的照片看起来和原图一样。在本任务中，网络被训练用于完成一项等效的任务：将给定的缩小后图像(如缩小四倍)恢复至原图。此处我们使用一个 19 层的 VGG-19 网络。尽管目前来看，该网络的表现并不惊艳，也不能重建高频部分，但它对于绘画仍是理想的解决方案：该网络可以让图像变得更加清晰、平滑。

任务 6：图像超分辨率

神经网络：SRGAN | 仅 CPU