Paper sharing: Deep Residual Learning in Image Recognition.

ResNet作为经典的优化策略模型被收录在此专栏中

因为现阶段的图像分割深度模型普遍采用了残差块与跳跃连接的思想

值得细细品味这一创新设计

建议有空时读者自行回顾原文 相信能带来更多理解

要点

 提出了一个残差学习框架，使更深网络的训练过程变得更加容易
    2. 为残差网络更易优化的结论提供了全面的经验证据
    3. 残差网络能够随着网络的加深继续提高精度

读引言

研究背景

深度网络在多个应用场景中展现出显著的优势，在众多领域中成为关键成功因素往往源于深度架构设计的巧妙优化。

为什么要研究

当网络趋于稳定时，在深层架构中仍可能出现性能退化现象：随着模型深度增加时精确度通常会达到饱和水平，并随后急剧下降。这种现象并非由过拟合引起；适当增加模型深度通常会导致错误率上升。

主要内容

识别恒等映射所施加的扰动相较于学习新的函数更为容易。
它是从表面看来的一种非线性全连接层。
实际上不仅如此，在很多情况下也可能变成卷积层。
也可以被视作多个层次叠加的形式。

为