ResNet (Réseau Résiduel)

ResNet (Réseau Résiduel) est une architecture de réseau neuronal convolutif profond introduite par Kaiming He, Xiangyu Zhang, Shaoqing Ren et Jian Sun à la CVPR 2016. En insérant des connexions de raccourci (sautées) qui transportent l'entrée d'un bloc directement à sa sortie — définissant la tâche du bloc comme l'apprentissage d'une correction résiduelle plutôt que d'un mappage complet — ResNet a permis l'entraînement de réseaux avec des centaines, voire des milliers de couches, sans la dégradation par disparition du gradient qui avait auparavant rendu les réseaux très profonds impraticables. Il a remporté la compétition de reconnaissance d'images ILSVRC 2015 avec une erreur top-5 de 3,57 % et reste l'architecture de base la plus utilisée en vision par ordinateur.