ResNet (Residual Network)

ResNet (Residual Network) ist eine tiefe, "Convolutional Neural Network"-Architektur, die von Kaiming He, Xiangyu Zhang, Shaoqing Ren und Jian Sun auf der CVPR 2016 vorgestellt wurde. Durch das Einfügen von "Shortcut"- (oder "Skip"-) Verbindungen, die den Input eines Blocks direkt zu dessen Output leiten – und die Aufgabe des Blocks als das Lernen einer residualen Korrektur statt einer vollständigen Abbildung definieren – ermöglichte ResNet das Training von Netzwerken mit Hunderten oder sogar Tausenden von Schichten, ohne die "Vanishing-Gradient"-Degradation, die zuvor sehr tiefe Netzwerke unpraktikabel gemacht hatte. Es gewann den ILSVRC 2015 Bilderkennungswettbewerb mit einem Top-5-Fehler von 3,57 % und bleibt die am weitesten verbreitete "Backbone"-Architektur in der Computer Vision.