概述
残差网络 (ResNet) 是深度神经网络，它添加了“跳跃连接”，让各层学习小的调整而不是完整的转换。这个简单的技巧使得训练数百层深度的网络成为可能，从而引发了图像识别准确性的飞跃。
残差网络属于计算机视觉工作流程，它解释或生成视觉媒体以进行分析、操作和创造力。
深入探讨
在 ResNets 出现之前，堆叠许多层反而会导致网络表现更差，即使在训练数据上也是如此，这个问题称为退化。 2015 年，Microsoft 研究人员 Kaiming He 及其同事引入了残差块：他们没有要求一堆层直接产生输出 H(x)，而是让它学习残差 F(x) = H(x) - x，然后通过快捷方式将原始输入 x 添加回来。如果不需要某个层，它可以简单地学习什么都不做（F(x) = 0）。 ResNet-152 以约 3.6% 的前 5 名错误率赢得了 2015 年 ImageNet 竞赛，超过了人类水平的估计，其架构成为检测、分割和医学成像的基础骨干。
技术洞察
跳跃连接将每个块的工作变成 y = F(x) + x。在反向传播过程中，梯度不变地流过恒等捷径，因此即使跨越数百层，梯度也不会消失到接近零。这使得深筹码可以训练。身份快捷方式不添加额外的参数；仅当输入和输出大小不同时，小投影（1x1 卷积）才会在相加之前调整尺寸。
掌握残差网络
残差网络 (ResNet) 是深度神经网络，它添加了“跳跃连接”，让各层学习小的调整而不是完整的转换。这个简单的技巧使得训练数百层深度的网络成为可能，从而引发了图像识别准确性的飞跃。残差网络属于计算机视觉工作流程，它解释或生成视觉媒体以进行分析、操作和创造力。为了建立深入的理解，请将残差网络视为一种操作模型，而不是单个功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，使用残差网络的强大团队会平衡准确性与数据质量、照明差异和标签一致性等操作现实。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
视觉人工智能可以大规模自动化检查、检测和标记任务。同时，如果出处不明，肖像权和同意可能会成为法律风险。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
视觉人工智能可以大规模自动化检查、检测和标记任务。
视觉人工智能可以大规模自动化检查、检测和标记任务。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
创意团队可以通过更少的手动修改更快地构建概念原型。
创意团队可以通过更少的手动修改更快地构建概念原型。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
操作可以使用以前难以处理的图像和视频信号。
操作可以使用以前难以处理的图像和视频信号。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
ImageNet 分类主干网（ResNet-50、ResNet-101）用作迁移学习的预训练特征提取器
使用基于 ResNet 的编码器在放射学和病理学图像中检测肿瘤和病变
使用 ResNet 主干的对象检测和实例分割框架，例如 Faster R-CNN 和 Mask R-CNN
自动驾驶感知管道，可根据摄像头图像对行人、车辆和标志进行分类
实施模式
残差网络的实践
ImageNet 分类主干网（ResNet-50、ResNet-101）用作迁移学习的预训练特征提取器。
ImageNet 分类主干网（ResNet-50、ResNet-101）用作迁移学习的预训练特征提取器。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
残差网络的实践
使用基于 ResNet 的编码器在放射学和病理学图像中检测肿瘤和病变。
使用基于 ResNet 的编码器在放射学和病理学图像中检测肿瘤和病变 团队在预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
残差网络的实践
对象检测和实例分割框架，例如使用 ResNet 主干的 Faster R-CNN 和 Mask R-CNN。
使用 ResNet 主干的 Faster R-CNN 和 Mask R-CNN 等对象检测和实例分割框架 当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
残差网络的实践
自动驾驶感知管道，可根据摄像头图像对行人、车辆和标志进行分类。
自动驾驶感知管道可对摄像头框架中的行人、车辆和标志进行分类。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
风险与防护栏
如果出处不明，肖像权和同意可能会成为法律风险。
模型性能可能因光照、人口统计和环境的不同而有所不同。
除非监控置信阈值，否则误报可能会被忽视。
实施路线图
定义精确度、召回率和错误成本的接受标准。
定义精确度、召回率和错误成本的接受标准。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
使用符合实际生产条件的数据进行测试。
使用符合实际生产条件的数据进行测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
为低置信度或高影响力的预测添加人工审核。
为低置信度或高影响力的预测添加人工审核。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
跟踪模型漂移并在相机或数据集更改后重新验证。
跟踪模型漂移并在相机或数据集更改后重新验证。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。