# ResNet - 152 --- ## 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い。我々は、これまでに使わ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する。我々は、層を参照なしの関数を学習する代わりに、層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する。我々は、これらの残差ネットワークが最適化しやすく、かなりの深さの増加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する。ImageNetデータセットでは、最大152層の残差ネットを評価した —— VGGネットより8倍深いが、依然として複雑度が低い。 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％の誤差を達成した。この結果は、ILSVRC 2015の分類タスクで1位を獲得した。我々はまた、100層と1000層のCIFAR - 10についての分析も提示する。 表現の深さは、多くの視覚認識タスクにとって中心的な重要性を持つ。我々の極めて深い表現のおかげで、COCO物体検出データセットで28％の相対的な改善を得た。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、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も1位を獲得した。
**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か？ 事前学習済みモデルは、以前にある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る。学習された特徴は、多くの場合、異なるデータに転用できる。例えば、大量の鳥の画像のデータセットで学習されたモデルには、エッジや水平線などの学習された特徴が含まれており、あなたのデータセットに転用できる。 事前学習済みモデルを使用する理由は何か？ 事前学習済みモデルは多くの理由から我々にとって有益である。事前学習済みモデルを使用することで、時間を節約できる。他の誰かがすでに多くの特徴を学習するために時間と計算資源を費やしており、あなたのモデルもおそらくその恩恵を受ける。 [1]: https://imgur.com/nyYh5xH.jpg