ResNet: 深度残差网络及其在图像识别中的应用

ResNet 是由 Kaiming He、Xiangyu Zhang、Shaoqing Ren 和 Jian Sun 于 2015 年提出的论文 'Deep Residual Learning for Image Recognition' 中提出的深度残差网络。这篇论文引入了残差学习的概念，通过在网络中引入残差块 (residual block) 来解决深度网络训练中的梯度消失问题。

在传统的卷积神经网络中，随着网络层数的增加，梯度会逐渐减小并最终消失，导致网络难以训练。ResNet 通过跳跃连接 (skip connection) 将输入直接与输出相加，使得网络可以学习残差函数，从而避免了梯度消失问题。这种结构使得网络可以轻松地训练非常深的层次，同时还能够获得更好的性能。

论文中还介绍了不同深度的 ResNet 结构，其中最有名的是 ResNet-50 和 ResNet-101。这些网络结构在 ImageNet 数据集上取得了非常好的性能，成为了当时图像识别领域的新的里程碑。

此外，论文还提出了一个概念叫做 'identity mapping'，即在残差块中使用恒等映射作为默认路径，以确保网络的性能不会受到残差块的引入而下降。

总之，ResNet 的论文通过引入残差学习的思想和跳跃连接的结构，解决了深度网络训练中的梯度消失问题，为深度学习的发展做出了重要贡献。