文献阅读 - Deep Residual Learning for Image Recognition

深度残差学习（Deep Residual Learning for Image Recognition）

---

He K, Zhang X, Ren S, et al. Deep Residual Learning for Image Recognition[C], CVPR, 2016.

---

摘要

残差学习框架（residual learning framework）：以输入（inputs）为参考，将层（layers）定义为残差学习函数（learning residual functions）

残差网络（residual networks）易于优化，能够通过增加网络深度（depth）提高准确率（gain accuary）。

表示的深度（depth of representations）对许多视觉识别任务（visual recognition tasks）至关重要。

1 引言

深度网络（deep networks）能够提取底层、中层和高层特征（low/mid/high-level features），特征的“层次”可以通过堆叠网络层（stacked layers）的数量（深度）来丰富。

梯度消失、爆炸（vanishing/exploding gradients）问题能够通过初始值标准化（normalized initialization）和层间标准化解决。

退化问题（degradation problem）：随着网络深度的增加，网络预测准确率趋于饱和，然后迅速退化。但这种退化并非由过拟合引起，对恰到好处的深度模型（suitable deep model）添加更多的层会导致其训练误差增加。

为解决退化问题，本文提出一种深度残差学习框架（residual learning framework）。假设目标映射（desired underlying mapping）为$\mathcal{H}(\mathbf{x})$，则堆叠非线性网络层（stacked nonlinear layers）需拟合（fit）的映射为$\mathcal{F}(\mathbf{x}):=\mathcal{H}(\mathbf{x})-\mathbf{x}$。

本文工作的基础是假设优化残差映射比优化原始目标映射容易。极端情况下，如果恒等映射为最优，则相比于拟合恒等映射，堆叠网络层将残差映射拟合为零更加容易。

捷径连接（shortcut connections）：跳过一层或多层的连接。本文中，捷径连接简化为恒等映射（identity mapping），其输出与堆叠网络层的输出相加（Fig.2）。

$\mathcal{F}={\mathbf{W}}_2\sigma ({\mathbf{W}}_1\mathbf{x})$

σ ( F +