ResNet：通过残差学习实现深度卷积神经网络
计算机视觉与模式识别
2025-10-29 v1 人工智能
摘要
卷积神经网络（CNNs）已彻底改变计算机视觉领域，但训练极深的网络一直面临梯度消失问题。本文探讨了由 He 等人（2015）提出的残差网络（ResNet），其通过使用跳跃连接克服了这一限制。ResNet 使能够训练数百层的网络，通过允许梯度直接通过跳过中间层的shortcut连接传递。在我们对 CIFAR-10 数据集上的实现中，ResNet-18 达到 89.9% 的准确率，而与之深度相似的传统深层 CNN 仅为 84.1%，且收敛更快、训练更稳定。
引用
@article{arxiv.2510.24036,
title = {ResNet: Enabling Deep Convolutional Neural Networks through Residual Learning},
author = {Xingyu Liu and Kun Ming Goh},
journal= {arXiv preprint arXiv:2510.24036},
year = {2025}
}
备注
3 pages, 5 figures, 1 table