概述
殘差網絡 (ResNet) 是深度神經網絡，它添加了“跳躍連接”，讓各層學習小的調整而不是完整的轉換。這個簡單的技巧使得訓練數百層深度的網路成為可能，從而引發了圖像辨識準確性的飛躍。
殘差網路屬於電腦視覺工作流程，它解釋或產生視覺媒體以進行分析、操作和創造力。
深入探討
在 ResNets 出現之前，堆疊許多層反而會導致網路表現更差，即使在訓練資料上也是如此，這個問題稱為退化。 2015 年，Microsoft 研究人員 Kaiming He 及其同事引入了殘差塊：他們沒有要求一堆層直接產生輸出 H(x)，而是讓它學習殘差 F(x) = H(x) - x，然後通過快捷方式將原始輸入 x 添加回來。如果不需要某個層，它可以簡單地學習什麼都不做（F(x) = 0）。 ResNet-152 以約 3.6% 的前 5 名錯誤率贏得了 2015 年 ImageNet 競賽，超過了人類水平的估計，其架構成為檢測、分割和醫學成像的基礎骨幹。
技術洞察
跳躍連接將每個區塊的工作變成 y = F(x) + x。在反向傳播過程中，梯度不變地流過恆等捷徑，因此即使跨越數百層，梯度也不會消失到接近零。這使得深層籌碼可以訓練。身份快捷方式不添加額外的參數；僅當輸入和輸出大小不同時，小投影（1x1 卷積）才會在相加之前調整尺寸。
掌握殘差網絡
殘差網絡 (ResNet) 是深度神經網絡，它添加了“跳躍連接”，讓各層學習小的調整而不是完整的轉換。這個簡單的技巧使得訓練數百層深度的網路成為可能，從而引發了圖像辨識準確性的飛躍。殘差網路屬於電腦視覺工作流程，它解釋或產生視覺媒體以進行分析、操作和創造力。為了建立深入的理解，請將殘差網路視為操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地完成的任務與仍需要專家判斷的任務分開。
在實踐中，使用殘差網路的強大團隊會平衡準確性與數據品質、照明差異和標籤一致性等操作現實。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。同時，如果出處不明，肖像權和同意可能會成為法律風險。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
創意團隊可以透過更少的手動修改來更快地建立概念原型。
創意團隊可以透過更少的手動修改來更快地建立概念原型。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
操作可以使用以前難以處理的影像和視訊訊號。
操作可以使用以前難以處理的影像和視訊訊號。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
ImageNet 分類主幹網路（ResNet-50、ResNet-101）用作遷移學習的預訓練特徵提取器
使用基於 ResNet 的編碼器在放射學和病理學影像中檢測腫瘤和病變
使用 ResNet 主幹的物件偵測和實例分割框架，例如 Faster R-CNN 和 Mask R-CNN
自動駕駛感知管道，可根據攝影機影像對行人、車輛和標誌進行分類
實施模式
殘差網路的實踐
ImageNet 分類主幹網路（ResNet-50、ResNet-101）用作遷移學習的預訓練特徵提取器。
ImageNet 分類主幹網路（ResNet-50、ResNet-101）用作遷移學習的預訓練特徵提取器。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
殘差網路的實踐
使用基於 ResNet 的編碼器在放射學和病理學影像中檢測腫瘤和病變。
使用基於 ResNet 的編碼器在放射學和病理學影像中檢測腫瘤和病變 團隊在預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力增益和錯誤成本時，通常會獲得更好的結果。
殘差網路的實踐
物件偵測和實例分割框架，例如使用 ResNet 主幹的 Faster R-CNN 和 Mask R-CNN。
使用 ResNet 主幹的 Faster R-CNN 和 Mask R-CNN 等物件來偵測和實例分割框架 當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
殘差網路的實踐
自動駕駛感知管道，可根據攝影機影像對行人、車輛和標誌進行分類。
自動駕駛感知管道可對攝影機框架中的行人、車輛和標誌進行分類。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
如果出處不明，肖像權和同意可能會成為法律風險。
模型表現可能因光照、人口統計和環境的不同而有所不同。
除非監控置信閾值，否則誤報可能會被忽略。
實施路線圖
定義精確度、召回率和錯誤成本的接受標準。
定義精確度、召回率和錯誤成本的接受標準。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
使用符合實際生產條件的數據進行測試。
使用符合實際生產條件的數據進行測試。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
為低置信度或高影響力的預測添加人工審核。
為低置信度或高影響力的預測添加人工審核。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤模型漂移並在相機或資料集變更後重新驗證。
追蹤模型漂移並在相機或資料集變更後重新驗證。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。