基于深度残差学习的图像识别

基于深度残差学习的图像识别(中文7800字,英文PDF)
摘要
通常来说，神经网络的层次越深就越难训练。为了更快速的来训练深层次的网络，本文提出了一个残差学习框架来简化网络的训练。我们显式地将每一层重新表示为参考输入层的学习残差函数，而不是学习无关的函数，我们提可以证明，这些残差网络更容易优化，并可以通过大幅增加的深度而变得更精确。在ImageNet数据集上，我们测试了高达152层的残差网络，其深度是VGG网络深度的8倍，但仍然降低了其复杂性。在ImageNet测试集中，这些残差网的总体误差为3.57%，该结果在ILSVRC 2015年分类任务中获得第一名。我们还对CIFAR-10进行了100层和1000层的分析。