LLLMWIKI
ArticleMetadataMain page

Source note · Updated 2026-07-14

Deep Residual Learning for Image RecognitionResNet 与残差学习

#near-cvpr-2025#vision-foundations#representation-learning#primary-source

ResNet：残差学习与可训练深度

一句话结论

ResNet 用恒等捷径把网络改写为学习残差，缓解深层 plain 网络的优化退化，并把残差连接变成现代视觉模型的基础机制。

问题定义

为什么更深的普通网络会出现更高训练误差，怎样在不显著增加参数的情况下让 50、101、152 层网络可训练？

方法概述

残差块输出 $F(x)+x$；维度变化时用投影或下采样匹配。瓶颈块用 1×1、3×3、1×1 卷积控制深层计算。

关键发现

  • 深层 plain 网络的退化发生在训练误差，不能只解释为过拟合。
  • 152 层残差网络可稳定训练并获得强 ImageNet 结果。
  • 残差表示迁移到检测，说明机制并非只服务分类。

局限或疑问

  • 论文不证明无限增加深度都有收益。
  • 集成准确率不等同于单模型架构因果。
  • “残差连接”与“卷积 ResNet 家族”应分开理解。

原始链接

相关页面

Metadata
{
  "id": "2026-07-14-resnet",
  "type": "source",
  "title": "Deep Residual Learning for Image Recognition：ResNet 与残差学习",
  "status": "reviewed",
  "created": "2026-07-14",
  "updated": "2026-07-14",
  "venue": "CVPR 2016",
  "ingested_at": "2026-07-14",
  "tags": [
    "near-cvpr-2025",
    "vision-foundations",
    "representation-learning",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [
    "Kaiming He",
    "Xiangyu Zhang",
    "Shaoqing Ren",
    "Jian Sun"
  ],
  "published_at": "2016-01-01",
  "canonical_links": [
    "https://arxiv.org/abs/1512.03385",
    "https://openaccess.thecvf.com/content_cvpr_2016/html/He_Deep_Residual_Learning_CVPR_2016_paper.html",
    "https://arxiv.org/pdf/1512.03385",
    "https://github.com/KaimingHe/deep-residual-networks"
  ],
  "raw_entry": "raw/ingest/2026-07-14-resnet/",
  "analysis_note": "raw/ingest/2026-07-14-resnet/analysis.md",
  "topics": [
    "topics/computer-vision-overview",
    "topics/vision-backbones"
  ],
  "entities": [],
  "claims": [],
  "questions": []
}