# ResNet-101 --- ## 画像認識のための深層残差学習 より深いニューラルネットワークは学習が難しくなります。我々は、これまでに使用されてきたものよりも大幅に深いネットワークの学習を容易にするための残差学習フレームワークを提案します。我々は、レイヤーを参照なしの関数を学習するのではなく、レイヤーの入力を参照した残差関数を学習するように明示的に再定式化します。これらの残差ネットワークが最適化しやすく、大幅に増加した深さから精度を向上できることを示す包括的な実証的証拠を提供します。ImageNetデータセットでは、最大152層の残差ネットを評価しました。これはVGGネットよりも8倍深いが、依然として複雑度が低いです。 これらの残差ネットのアンサンブルは、ImageNetテストセットで3.57％の誤差を達成しました。この結果は、ILSVRC 2015の分類タスクで1位を獲得しました。我々はまた、100層と1000層のCIFAR - 10に関する分析も提示します。 表現の深さは、多くの視覚認識タスクにとって中心的に重要です。我々の非常に深い表現のおかげで、COCO物体検出データセットで28％の相対的な改善を達成しました。深層残差ネットは、ILSVRCとCOCO 2015のコンペティションへの我々の提出物の基礎であり、我々はまた、ImageNet検出、ImageNetローカライゼーション、COCO検出、およびCOCOセグメンテーションのタスクで1位を獲得しました。
**著者：Kaiming He、Xiangyu Zhang、Shaoqing Ren、Jian Sun**
**https://arxiv.org/abs/1512.03385** --- アーキテクチャの可視化：http://ethereon.github.io/netscope/#/gist/db945b393d40bfa26006 ![Resnet][1] --- 事前学習済みモデルとは何ですか？ 事前学習済みモデルは、以前にデータセットで学習されており、学習に使用されたデータセットの特徴を表す重みとバイアスを含んでいます。学習された特徴は、多くの場合、異なるデータに転用することができます。例えば、大量の鳥の画像データセットで学習されたモデルは、エッジや水平線などの学習された特徴を含んでおり、あなたのデータセットに転用することができます。 事前学習済みモデルを使用する理由は何ですか？ 事前学習済みモデルは多くの理由で我々にとって有益です。事前学習済みモデルを使用することで、時間を節約することができます。他の人がすでに多くの特徴を学習するために時間と計算リソースを費やしており、あなたのモデルはおそらくその恩恵を受けるでしょう。 [1]: https://imgur.com/nyYh5xH.jpg