标题	说明	附加
《Deep Residual Learning for Image Recognition》	原始论文	2015 解决了神经网络 “退化问题” ResNet网络，本文获得2016 CVPR best paper，获得了ILSVRC2015的分类任务第一名。
《Deep Residual Learning for Image Recognition》HTML	原始论文网页版
《Deep Residual Learning for Image Recognition（译）》	zhwhong 译文	2017
《Deep Residual Learning for Image Recognition（译）》	XlyPb 译文	2017
《论文理论解读》		作者 junlinhe@yeah.net

Deep Residual Learning for Image Recognition

Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun
(Submitted on 10 Dec 2015)

更深的神经网络往往更难以训练，我们在此提出一个残差学习的框架，以减轻网络的训练负担，这是个比以往的网络要深的多的网络。我们明确地将层作为输入学习残差函数，而不是学习未知的函数。我们提供了非常全面的实验数据来证明，残差网络更容易被优化，并且可以在深度增加的情况下让精度也增加。在ImageNet的数据集上我们评测了一个深度152层（是VGG的8倍）的残差网络，但依旧拥有比VGG更低的复杂度。残差网络整体达成了3.57%的错误率，这个结果获得了ILSVRC2015的分类任务第一名，我们还用CIFAR-10数据集分析了100层和1000层的网络。

在一些计算机视觉识别方向的任务当中，深度表示往往是重点。我们极深的网络让我们得到了28%的相对提升（对COCO的对象检测数据集）。我们在深度残差网络的基础上做了提交的版本参加ILSVRC和COCO2015的比赛，我们还获得了ImageNet对象检测，Imagenet对象定位，COCO对象检测和COCO图像分割的第一名。

Comments: Tech report
Subjects: Computer Vision and Pattern Recognition (cs.CV)
Cite as: arXiv:1512.03385 [cs.CV]
(or arXiv:1512.03385v1 [cs.CV] for this version)