第一遍
-
标题:Deep Residual Learning for Image Recognition
-
作者:何恺明
-
摘要:
We explicitly reformulate the layers as learning residual functions with reference to the layer inputs, instead of learning unreferenced functions
残差网络学习输入的残差函数- 在ImageNet上152层,网络更深,计算复杂度更低
- 在目标分类、检测和语义分割上都取得不错的效果
第二遍
-
重要的图和表
-
Fig1.
更深的网络具有更大的训练误差和测试误差(在CIFAR-10和ImageNet上的测试)
-
Fig2.
残差学习的构建模块
-
Fig 3.
对比VGG-19、普通神经网络、带残差神经网络的结构图。
残差网络:虚线表示将x维度增加到y的维度
-
Fig 4.
上图是网络训练在ImageNet上的训练误差变化,可以发现普通网络34层的训练误差大于18层,但是对于残差网络,网络层数变多后,训练误差变小了,而且对于验证集上的误差(粗线)也变得更小。可以认为,残差网络在增加网络深度后,对于训练集可以更好地拟合并且具有更好的泛化性。
-
Fig 5.
可用更深的残差模块
-
Fig 6.
注解:虚线表示训练误差、实线表示测试误差
左图表示普通神经网络,中间图表示残差网络,右图残差网络110和1202
-
Fig 7.
不知道
-
table 1.
网络框架图
-
table 2.
普通网络和残差网络,在ImageNet上的Top-1错误率
-
table 3.
不同模型在ImageNet验证集上的top-1和top-5错误率
-
table 4.
单模型能力
-
table 5.
集成模型能力
-
table 6.