ResNet (Red Neuronal Residual)

ResNet (Red Neuronal Residual) es una arquitectura de red neuronal convolucional profunda introducida por Kaiming He, Xiangyu Zhang, Shaoqing Ren y Jian Sun en CVPR 2016. Al insertar conexiones de acceso directo (skip connections) que transportan la entrada de un bloque directamente a su salida —definiendo la tarea del bloque como el aprendizaje de una corrección residual en lugar de un mapeo completo—, ResNet permitió el entrenamiento de redes con cientos o incluso miles de capas sin la degradación por desvanecimiento del gradiente que previamente había hecho poco prácticas a las redes muy profundas. Ganó la competición de reconocimiento de imágenes ILSVRC 2015 con un error top-5 del 3,57% y sigue siendo la arquitectura de base más utilizada en visión por computadora.