热门
最新
红包
立Flag
投票
同城
我的
发布
CSDN App 扫码分享
1
点赞
打赏
- 复制链接
- 举报
下一条：
ResNet： Deep Residual Learning for Image Recognition 用于图像识别的深度残差学习Kaiming He Xiangyu Zhang Shaoqing Ren Jian Sun更深层次的神经网络更难训练。何恺明等 用残余学习框架，以简化比以前使用的网络更深入的网络训练。我们明确地将层重新表述为参考层输入学习残差函数，而不是学习未引用的函数。我们提供了全面的经验证据，表明这些残差网络更容易优化，并且可以从显着增加的深度中获得准确性。在 ImageNet 数据集上，我们评估了深度高达 152 层的残差网络---比 VGG 网络深 8 倍，但复杂性仍然较低。这些残差网络的集合在 ImageNet 测试集上实现了 3.57% 的误差。该结果在ILSVRC 2015分类任务中获得了第一名。我们还介绍了 CIFAR-10 的 100 层和 1000 层分析。表示的深度对于许多视觉识别任务至关重要。仅仅由于我们极其深入的表示，我们在 COCO 对象检测数据集上获得了 28% 的相对改进。深残差网是我们提交ILSVRC & COCO 2015竞赛的基础，我们还在ImageNet检测、ImageNet定位、COCO检测和COCO分割任务中获得了第一名。https://arxiv.org/pdf/1512.03385.pdf
