秒懂！何凯明Resnet

雷锋网注：何凯明博士，2007年清华大学毕业之后开始在微软亚洲研究院（MSRA）实习，2011年香港中文大学博士毕业后正式加入MSRA，目前在Facebook AI Research (FAIR)实验室担任研究科学家。曾以第一作者身份拿过两次CVPR最佳论文奖（2009和2016）——其中2016年CVPR最佳论文为图像识别中的深度残差学习（Deep Residual Learning for Image Recognition），本文为何凯明博士在ICML2016上的tutorial演讲以及相关PPT整理。相比学术论文，他在演讲PPT中深入浅出地描述了深度残差学习框架，大幅降低了训练更深层次神经网络的难度，也使准确率得到显著提升。

 

深度残差网络——让深度学习变得超级深

ICML 2016 tutorial

何凯明——Facebook AI Research（8月加入）

概览

• 介绍

• 背景

从浅到深

• 深度残差网络

从10层到100层

从100层到1000层

• 应用

• Q & A

| 介绍部分

介绍——深度残差网络（Resnet）

• “用于图像识别的深度残差学习” CVPR2016

• 一个能够用来训练“非常深”的深度网络又十分简洁的框架

• 在以下几个领域中都能实现当下最好的表现

图像分类

对象检测

语义分割

等等

Resnet在ILSVRC 和COCO 2015上的表现

在五个主要任务轨迹中都获得了第一名的成绩

ImageNet分类任务：“超级深”的152层网络

ImageNet检测任务：超过第二名16%

ImageNet定位任务：超过第二名27%

COCO检测任务：超过第二名11%

COCO分割任务：超过第二名12%