常见CNN模型对应计算机视觉任务的分类正确性咨询

以下是修正后的准确分类，错误项已标注修改说明：

• LeNet-5：图像分类 ✅ （经典手写数字识别分类模型，原分类正确）
• AlexNet：图像分类 ✅ （2012年ImageNet竞赛冠军模型，原分类正确）
• VGG-16：图像分类 ✅ （统一使用3x3卷积核的经典分类模型，原分类正确）
• ResNet：图像分类 ✅ （引入残差结构解决深度网络退化问题的经典分类模型，原分类正确）
• Inception module：图像分类 ❌ 修正为：图像分类骨干组件 说明：Inception模块本身是GoogleNet系列分类模型的核心组成单元，并非独立完整模型，核心设计目标是服务图像分类任务，也可迁移作为其他CV任务的骨干网络组件
• MobileNet：图像分类 ✅ （面向端侧设备设计的轻量分类模型，原分类正确）
• EfficientNet：图像分类 ✅ （通过复合缩放策略优化的高效分类模型，原分类正确）
• Neural Style Transfer：图像生成 ✅ （实现图像风格迁移，属于图像生成类任务，原分类正确）
• Sliding Windows Detection algorithm：目标检测 ✅ （传统目标检测的经典滑动窗口算法，原分类正确）
• R-CNN：目标检测 ✅ （两阶段目标检测的奠基模型，原分类正确）
• YOLO：目标检测 ✅ （单阶段目标检测的经典系列模型，原分类正确）
• Siamese network：图像识别 ❌ 修正为：相似度度量类任务（包含人脸识别、图像匹配、少样本分类等） 说明：孪生网络核心能力是计算两个输入的特征相似度，并非通用图像识别模型，常见应用于少样本场景下的图像匹配、人脸识别等任务
• U-Net：语义分割 ✅ （医学影像等场景下语义分割的经典模型，原分类正确）

内容的提问来源于stack exchange，提问作者Amir Valizadeh