ResNet：用于图像识别的深度残差网络
文章目录
4.1 ImageNet 分类
4.2 CIFAR-10与分析
4.3 在PASCAL和MS COCO上的目标检测
3.1 残差学习
3.2 通过快捷方式进行恒等映射
3.3 网络结构
3.4 应用
摘要
1. 介绍
2. 相关工作
3. 深度残差学习
4. 实验
前言：
为了让读者有更好的阅读体验，我对排版上进行了如下改进：
论文重点内容用红色字体显示
每一章节段与段之间用空白行隔开
对于一些专业词汇保留原译，不予翻译
原文中的引用，我依然保留。想查看引用来源的盆友请参考原论文附录：《Deep Residual Learning for Image Recognition》
温馨提示：ResNet的实战教程我也将马上更新，想要学习的盆友，可关注我的博客动态。
摘要
一般来说，更深的神经网络更难训练。因此本文提出了一种残差学习框架，以简化对更深网络的训练。该方法显式地将层重新配置为参考输入层的学习残差函数，而不是学习非参考函数。本文提供了充分的经验证据，这些证据表明，残差网络易于深度验证，并且从大大增加的深度中可以获得准确性。在ImageNet数据集上，评估深度最大为152层的残差网络-比VGG网络[41]深8倍，但仍具有较低的复杂度。这些残差网络的整体在ImageNet测试集上实现3.57％的误差。这是ILSVRC 2015分类任务的第一名。除此之外，本文还介绍了具有100和1000层的残差网络在CIFAR-10数据集上的分析。
1. 介绍
深度卷积神经网络[22，21]导致了图像分类的一系列突破[21，50，40]。深度网络自然地以端到端的多层方式集成了低/中/高级特征[50]和分类器，并且特征的“级别”可以通过堆叠的层数（深度）来丰富。最新证据[41，44]揭示了网络深度至关重要，在具有挑战性的ImageNet数据集[36]上的领先结果[41，44，13，16]都利用了“非常深”的模型[41]， 深度为十六[41]到三十[16]。许多其他非常普通的视觉识别任务[8、12、7、32、27]也从非常深的模型中受益匪浅。
当更深层的网络能够开始聚合时，就会出现降级问题：随着网络深度的增加，精度达到饱和（这可能不足为奇），然后迅速降级。出乎意料的是，这种降级不是由过度拟合引起的，这在[11，42]中提到过，并且由我们的实验完全可以验证，将更多层添加到适当深度的模型中会导致更高的训练误差。图1显示了一个典型示例。图1. CIFAR-10数据集上，20层和56层“普通”网络的训练错误率（左）、测试错误率（右）。 较深的网络具有较高的训练错误，从而导致测试错误。
训练准确性的下降表明并非所有系统都同样（通过增加深度）容易优化。让我们考虑一个较浅的体系结构，以及一个较深的体系结构，它在其上添加了更多层。通过构建更深层的模型可以找到解决方案：添加的层是恒等映射，其他层是从学习的浅层模型中复制的。此构造解决方案的存在表明，较深的模型不会比浅模型产生更高的训练误差。但是实验表明，我们现有的求解器无法找到比构造的解决方案好或更好的解决方案，或者无法在可行的时间内找到解决方案。
在本文中，我们通过引入深度残差学习框架来解决退化问题。而不是希望每个堆叠的层都直接适合所需的基础映射，我们明确让这些层适合残差映射。形式上，将所需的基础映射表示为H ( x ) H(x)H(x)，我们让堆叠的非线性层适合 F ( x ) : = H ( x ) − x F(x):= H(x)-xF(x):=H(x)−x 的另一个映射。原始映射将重铸为F ( x ) + x F(x) + xF(x)+x。我们假设优化残差映射比优化原始未引用映射要容易。极端地，如果恒等映射是最佳的，则将残差推到零比通过非线性层的堆栈拟合恒等映射要容易。
F （ x ） + x F（x）+ xF（x）+x 的公式可通过具有“快捷连接（shortcut connections）”的前馈神经网络来实现（图2）。快捷连接[2、34、49]是跳过一层或多层的连接。在我们的例子中，快捷方式连接仅执行恒等映射（identity mapping），并将其输出添加到堆叠层的输出中（图2）。恒等快捷方式连接既不增加额外的参数，也不增加计算复杂度。整个网络仍然可以通过SGD反向传播进行端到端训练，并且可以使用通用库（例如Caffe [19]）轻松实现，而无需修改求解器。 图2. 残差学习：构建基块
我们在ImageNet [36]上进行了全面的实验，以显示退化问题并评估我们的方法。 我们证明：1）我们极深的残差网络易于优化，但是当深度增加时，对应的“普通”网络（简单地堆叠层）显示出更高的训练误差；2）我们的深层残差网络可以通过大大增加深度来轻松享受精度提升，从而产生比以前的网络更好的结果。
在CIFAR-10集上也显示了类似的现象[20]，这表明这种有效的方法不仅仅适用于特定数据集。我们在此数据集上展示了经过成功训练的100层以上的模型，并探索了1000层以上的模型。
在ImageNet分类数据集[36]上，我们通过极深的残差网获得了出色的结果。我们的152层残差网络是ImageNet上提出的最深的网络，同时其复杂度仍低于VGG网络[41]。我们的方法在ImageNet测试集上的Top-5错误率为3.57％，并在ILSVRC 2015分类竞赛中获得第一名。极深的表示形式在其他识别任务上也具有出色的泛化性能，使我们在ILSVRC和COCO 2015竞赛中进一步赢得了第一名：ImageNet检测，ImageNet定位，COCO检测和COCO分割。有力的证据表明，残差学习原理是通用的，我们希望它适用于其他视觉和非视觉问题。
2. 相关工作
残差表示。在图像识别中，VLAD [18]是通过相对于字典的残差矢量进行编码的表示，Fisher Vector [30]可以公式化为VLAD的概率版本[18]。它们都是用于图像检索和分类的有力的浅层表示[4，48]。对于矢量量化，编码残差矢量[17]比编码原始矢量更有效。
在低级视觉和计算机图形学中，为了求解偏微分方程（PDE），广泛使用的Multigrid方法[3]将系统重新形成为多个尺度的子问题，其中每个子问题负责较粗和较细之间的剩余解。规模。Multigrid的替代方法是分层基础预处理[45，46]，它依赖于表示两个尺度之间残差矢量的变量。已经证明[3,45,46]，这些求解器收敛速度比标准求解器快得多，而标准求解器并未意识到解决方案的剩余性质。这些方法表明，良好的重构或预处理可以简化优化过程。
快捷连接。导致快捷连接[2、34、49]的实践和理论已经研究了很长时间。训练多层感知器（MLP）的早期实践是添加从网络输入连接到输出的线性层[34，49]。在[44，24]中，一些中间层直接连接到辅助分类器，以解决消失/爆炸梯度（比如GoogLeNet）。[39，38，31，47]的论文提出了通过快捷连接实现居中层响应，梯度和传播误差居中的方法。在[44]中，“起始”层由一个快捷分支和一些更深的分支组成。
在我们工作的同时，“高速网络” [42、43]提供了具有选通功能[15]的快捷连接。与我们的不带参数的恒等快捷方式相反，这些门取决于数据并具有参数。当封闭的快捷方式“关闭”（接近零）时，高速网中的图层表示非残留功能。相反，我们的公式总是学习残差函数。我们的恒等快捷方式永远不会被关闭，所有信息始终都会通过传递，还有其他剩余功能需要学习。另外，高速网络还没有显示出深度极大增加（例如超过100层）的精度。
3. 深度残差学习
3.1 残差学习
让我们将 H ( x ) H(x)H(x) 视为由一些堆叠层（不一定是整个网络）拟合的基础映射，其中x表示这些层中第一层的输入。如果假设多个非线性层可以渐近逼近复杂函数，则等效于假设它们可以渐近逼近残差函数，即H ( x ) − x H(x)-xH(x)−x（假设输入和输出的维数相同） 。因此，我们没有让堆叠的层近似为H ( x ) H(x)H(x)，而是明确地让这些层近似为残差函数F ( x ) : = H ( x ) − x F(x):= H(x)-xF(x):=H(x)−x。因此，原始函数变为F ( x ) + x F(x) + xF(x)+x。尽管两种形式都应能够逐渐地逼近所需的函数（如假设），但学习的难易程度可能有所不同。
这种重新定义是由与退化问题有关的违反直觉的现象引起的（图1，左）。正如我们在引言中讨论的那样，如果可以将添加的层构造为恒等映射，则较深的模型的训练误差应不大于其较浅的模型的训练误差。退化问题表明，求解器可能难以通过多个非线性层来逼近恒等映射。利用残差学习重新形成，如果恒等映射是最佳的，则求解器可以简单地将多个非线性层的权重逼近零以逼近恒等映射。
在实际情况下，恒等映射不可能达到最佳状态，但是我们的重新制定可能有助于解决问题。如果最优函数比零映射更接近于一个恒等式，那么求解器应该参考恒等式来查找扰动，而不是学习一个新的函数。我们通过实验（图7）表明，学习到的残差函数通常具有较小的响应，这表明恒等映射提供了合理的预处理。
3.2 通过快捷方式进行恒等映射
我们对每几个堆叠的层采用残差学习。构建块如图2所示。形式上，在本文中，我们考虑定义为： y = F （ x ， W i ） + x y = F（x，{W_i}） + xy=F（x，Wi）+x （1）
这里的x和y是所考虑层的输入和输出向量。函数F （ x ， W i ） F（x，{W_i}）F（x，Wi）表示要学习的残差映射。对于图2中具有两层的示例，F = W 2 σ （ W 1 x ） F = W_2σ（W_1 x）F=W2σ（W1x），其中σ表示ReLU 函数[29]，并且为了简化符号省略了偏置。F + x F + xF+x操作通过快捷连接和逐元素加法执行。在加法之后我们采用第二个非线性度（即σ（y），见图2）。
公式（1）中的快捷连接既没有引入额外的参数，也没有引入计算的复杂性。这不仅在实践中具有吸引力，而且在我们比较普通网络和残差网络时也很重要。我们可以公平地比较同时具有相同数量的参数，深度，宽度和计算成本（除了可忽略的元素方式加法）的普通/残差网络。
x和F的尺寸在等式（1）中必须相等。如果不是这种情况（例如，在更改输入/输出通道时），我们可以通过快捷连接执行线性投影W s W_sWs以匹配尺寸：
y = F （ x ， W i ） + W s x y = F（x，{ W_i }）+ W_s xy=F（x，Wi）+Wsx （2）
我们也可以在等式（1）中使用平方矩阵W s W_sWs。但是我们将通过实验证明，恒等映射足以解决降级问题并且很经济，因此W s W_sWs仅在匹配尺寸时使用。
残差函数F的形式是灵活的。本文中的实验涉及一个具有两层或三层的函数F（图5），而更多的层是可能的。但是，如果F仅具有单层，则等式（1）类似于线性层：
y = W 1 x + x y = W_1 x + xy=W1x+x，对此我们没有观察到优势。
我们还注意到，尽管为简化起见，上述符号是关于全连接层的，但它们也适用于卷积层。函数F （ x ， W i ） F（x，{W_i}）F（x，Wi）可以表示多个卷积层。对两个要素图逐个通道执行逐元素加法。
3.3 网络结构
我们已经测试了各种普通/残留网络，并观察到了一致的现象。为了提供讨论实例，我们描述了ImageNet的两个模型，如下所示。
普通网络。我们简单的基线（图3，中间）主要受到VGG网络原理的启发[41]（图3，左）。 卷积层大多具有3×3滤镜，并遵循两个简单的设计规则：（i）对于相同的输出要素图大小，这些图层具有相同数量的滤镜；（ii）如果特征图的大小减半，则过滤器的数量将增加一倍，以保持每层的时间复杂度。我们直接通过步长为2的卷积层执行下采样。网络以全局平均池化层和带有softmax的1000路全连接层结束。在图3中，加重层的总数为34（中）。
值得注意的是，我们的模型比VGG网络[41]具有更少的卷积运算和更低的复杂度（图3，左）。我们的34层基准具有36亿个FLOP（乘法加法），仅占VGG-19（196亿个FLOP）的18％。
残差网络。在上面的普通网络的基础上，我们插入快捷方式连接（图3，右），将网络变成其对应的残差版本。当输入和输出的尺寸相同时，可以直接使用标识快捷方式（等式（1））（图3中的实线快捷方式）。当尺寸增加时（图3中的虚线快捷方式），我们考虑两个选项：（A）快捷方式仍然执行恒等映射，并为增加尺寸填充了额外的零项。此选项不引入任何额外的参数。（B）等式（2）中的投影快捷方式用于匹配尺寸（按1×1卷积完成）。对于这两个选项，当快捷方式遍历两种尺寸的特征贴图时，步长为2。
图3. ImageNet的示例网络架构。左图：作为参考的VGG-19模型[41]（196亿个FLOP）。中：包含34个参数层（36亿个FLOP）的普通网络。右图：一个具有34个参数层的残差网络（36亿个FLOP）。虚线快捷方式会增加尺寸。表1显示了更多详细信息和其他变体。
3.4 应用
我们对ImageNet的实现遵循[21，41]中的做法。调整图像大小，并在[256,480]中随机采样其较短的一面，以进行比例增强[41]。从图像或其水平翻转中随机采样成224×224的裁剪大小，并减去每像素均值[21]。使用[21]中的标准颜色增强。在每次卷积之后和激活之前，紧接着[16]，我们采用批归一化（BN）[16]。我们按照[13]中的方法初始化权重，并从头开始训练所有普通/残差网络。我们使用最小批量为256的SGD。学习率从0.1开始，当误差平稳时除以10，并且对模型进行了多达60×10 4次迭代的训练。我们使用0.0001的权重衰减和0.9的动量。我们不遵循[16]中的做法使用Dropout [14]。
在测试中，为了进行比较研究，我们采用了标准的10种crops测试方法[21]。为了获得最佳结果，我们采用[41，13]中的全卷积形式，并在多个尺度上对分数取平均（图像被调整大小，使得较短的边在{224,256,384,480,640}中）。
4. 实验
4.1 ImageNet 分类
我们在包含1000个类别的ImageNet 2012分类数据集[36]上评估了我们的方法。在128万个训练图像上训练模型，并在5万张验证图像上进行评估。我们还将在测试服务器报告的10万张测试图像上获得最终结果。我们评估了top-1和top-5的错误率。
普通网络。我们首先评估18层和34层的普通网络。34层的普通网络在图3中（中）。18层普通网具有类似的形式。有关详细架构，请参见表1。 表1. ImageNet的体系结构。
表2中的结果表明，较深的34层普通网比较浅的18层普通网具有更高的验证误差。为了揭示原因，在图4（左）中，我们比较了他们在训练过程中的训练/验证错误。我们已经观察到退化问题-尽管18层普通网络的解决方案空间是34层普通网络的子空间，但在整个训练过程中34层普通网络具有较高的训练误差。 表2. ImageNet验证集上的Top-1错误率（％，进行了十次裁剪测试）。
ResNet与普通的ResNet相比没有额外的参数。图4显示了训练过程。图4. 在ImageNet上的训练结果。细曲线表示
训练误差，粗曲线表示中心裁剪的验证误差。左：18和34层的普通网络。右：18和34层的ResNet。在该图中，残差网络与普通网络相比没有额外的参数。
我们认为，这种优化困难不太可能是由梯度弥散引起的。这些普通网络使用BN [16]进行训练，可确保前向传播信号具有非零方差。我们还验证了向后传播的梯度具有BN的健康规范。因此，前向或反向传播信号都不会消失。实际上，34层普通网络仍然能够达到具有竞争力的精度（表3），这表明求解器在某种程度上可以工作。我们推测，很深的普通网络可能具有指数级的收敛速度，这会降低训练误差。将来将研究这种优化困难的原因。
残差网络。接下来，我们评估18层和34层残差网络（ResNets）。基线架构与上述普通网络相同，希望将快捷连接添加到图3（右）中的每对3×3卷积核中。在第一个比较中（右表2和图4），我们将恒等映射用于所有快捷方式，将零填充用于增加尺寸（选项A）。因此，与普通副本相比，它们没有额外的参数。
我们从表2和图4中获得了三个主要观察结果。首先，这种情况通过残差学习得以逆转34层ResNet优于18层ResNet（降低了2.8％）。更重要的是，34层ResNet表现出低得多的训练误差，并且可以推广到验证数据。这表明在这种情况下可以很好地解决退化问题，并且我们设法从增加的深度中获得准确性的提高。
其次，与普通的相比，34层ResNet将top-1错误减少了3.5％（表2），这是由于成功减少了训练错误（图4右与左）。这项比较验证了残差学习在极深系统上的有效性。
最后，我们还注意到18层普通/残差网络比较准确（表2），但是18层ResNet收敛更快（图4右与左）。当网“不是太深”（此处为18层）时，当前的SGD解算器仍然能够为纯网找到良好的解决方案。在这种情况下，ResNet通过在早期提供更快的收敛来简化优化。
恒等与投影捷径。我们已经证明，无参数的恒等快捷方式有助于训练。接下来，我们研究投影快捷方式（等式（2））。在表3中，我们比较了三个选项：（A）零填充快捷键用于增加尺寸，并且所有快捷键都没有参数（与表2和右图4相同）；（B）投影快捷方式用于增加尺寸，其他快捷方式用于标识。（C）所有快捷方式都是投影。
表3显示，所有三个选项都比普通选项好得多。B稍好于A。我们认为这是因为A中的零填充维确实已经实现。CismarginallyB优于B，我们将此归因于许多（十三）投影快捷方式引入的额外参数。但是，A / B / C之间的细微差异表明，投影捷径对于解决降级问题并不是必不可少的。因此，在本文的其余部分中，我们不使用选项C来减少内存/时间的复杂性和模型大小。恒等快捷方式对于不增加下面介绍的瓶颈架构的复杂性尤其重要。表3. ImageNet验证集上的错误率（％，10次裁剪测试）。VGG-16基于我们的测试。ResNet-50 / 101/152是选项B的选项，仅使用投影来增加尺寸。
表4. ImageNet验证集上单模型结果的错误率（％）（测试集上报告的†除外）。
表5. 整体的错误率（％）。在ImageNet测试集上的Top-5错误率，并且由测试服务器报告。
更深的瓶颈架构。接下来，我们将介绍ImageNet上的更深层网络。考虑到我们负担不起的训练时间，我们将构建模块修改为瓶颈设计。对于每个残差函数F FF，我们使用3层而不是2层的堆栈（图5）。 这三层分别是1×1、3×3和1×1卷积，其中1×1层负责减小然后增加（还原）尺寸，使3×3层成为输入/输出尺寸较小的瓶颈 。图5显示了一个示例，其中两种设计都具有相似的时间复杂度。图5. ImageNet的更深的残差函数F FF。左：如图3中的ResNet34的构建块（在56×56特征图上）。右：ResNet-50 / 101/152的“瓶颈”构建基块。
无参数标识快捷方式对于瓶颈体系结构特别重要。如果将图5（右）中的恒等快捷方式替换为投影，则可以显示时间复杂度和模型大小增加了一倍，因为快捷方式连接到两个高维端。因此，恒等快捷方式可以为瓶颈设计提供更有效的模型。
50层的残差网络：我们将3层瓶颈模块替换为34层网络中的每个2层模块，从而得到50层ResNet（表1）。我们使用选项B来增加尺寸。该模型具有38亿个FLOP。
101层和152层ResNet：我们通过使用更多的3层块来构建101层和152层ResNet（表1）。值得注意的是，尽管深度大大增加，但152层ResNet（113亿个FLOP）的复杂度仍然低于VGG-16/19网络（153.96亿个FLOP）。
50/101/152层ResNet比34层ResNet准确度高得多（表3和表4）。我们没有观察到退化问题，因此从深度的增加中获得了显着的精度提升。所有评估指标都证明了深度的好处（表3和表4）。
与最新方法的比较。在表4中，我们与以前的最佳单模型结果进行了比较。我们的基准34层ResNet获得了非常具有竞争力的准确性。我们的152层ResNet的单模型top-5验证错误为4.49％。这个单一模型的结果优于所有先前的整体结果（表5）。我们将六个不同深度的模型组合在一起以形成一个整体（提交时只有两个152层模型）。这导致测试集上3.57的top-5错误（表5）。此项获得了2015年ILSVRC的第一名。
4.2 CIFAR-10与分析
我们对CIFAR-10数据集[20]进行了更多研究，该数据集包含10个类别的5万张训练图像和1万张测试图像。我们介绍在训练集上训练的实验，并在测试集上进行评估。我们的重点是极度深度的网络的行为，而不是推动最先进的结果，因此，我们特意使用以下简单架构。
普通/残差体系结构遵循图3中的形式（中/右）。网络输入为32×32图像，每像素均值被减去。第一层是3×3卷积。然后，我们分别在大小为{32,16,8}的特征图上使用具有3×3卷积的6n层堆栈，每个特征图尺寸为2n层。卷积核的数量分别为{16,32,64}。二次采样是通过2个以上的卷积进行的。网络以全球平均池，10路全连接层和softmax结尾。总共有6n + 2个堆叠的加权层。下表总结了体系结构：使用快捷方式连接时，它们将连接到成对的3×3层对（总共3n个快捷方式）。在此数据集上，我们在所有情况下都使用了恒等快捷方式（即选项A），因此我们的残差模型的深度，宽度和参数数量与普通模型完全相同。
我们使用0.0001的权重衰减和0.9的动量，并在[13]和BN [16]中采用权重初始化，但是没有丢失。这些模型在两个GPU上的最小批量为128。我们以0.1的学习率开始，将其在32k和48k迭代中除以10，然后以64k迭代终止训练，这是由45k / 5k的火车/ val分配决定的。我们按照[24]中的简单数据增强进行训练：在每侧填充4个像素，并从填充的图像或其水平翻转中随机采样32×32的作物。为了进行测试，我们仅评估原始32×32图像的单个视图。
我们比较n = {3,5,7,9}，得出20、32、44和56层网络。图6（左）显示了普通网络的行为。较深的平原网会增加深度，并且在深入时会表现出较高的训练误差。这种现象类似于ImageNet（图4，左）和MNIST（参见[42]），表明这种优化困难是一个基本问题。
图6（中）显示了ResNets的行为。同样类似于ImageNet的情况（图4，右），我们的ResNet设法克服了优化难题，并证明了深度增加时精度的提高。图6. 在CIFAR-10上的训练结果。虚线表示训练错误率，而粗线表示测试错误率。左：普通网络。Plain-110的错误高于60％，没有显示。中：ResNets。右：具有110和1202层的ResNet。
我们进一步探索n = 18导致的110层ResNet。在这种情况下，我们发现初始学习速率0.1太大了，无法开始收敛。因此，我们使用0.01来预训练，直到训练误差低于80％（约400次迭代），然后回到0.1并继续训练。学习时间表的其余部分如前所述。这个110层的网络可以很好地融合（图6，中间）。与其他深层和瘦网络（例如FitNet [35]和Highway [42]）相比，它的参数更少（表6），但仍属于最新技术成果（6.43％，表6）。
层响应分析。图7显示了层响应的标准偏差（std）。响应是BN之后以及其他非线性（ReLU /加法）之前每个3×3层的输出。对于ResNet，此分析揭示了残差函数的响应强度。图7显示ResNet的响应通常比普通响应小。这些结果支持我们的基本动机（第3.1节），即与非残差函数相比，残差函数通常可能更接近于零。我们还注意到，更深的ResNet具有较小的响应幅度，如图7中ResNet-20、56和110的比较所证明的。当有更多层时，ResNets的单个层往往对信号的修改较少。
探索超过1000层的参数网络。我们探索了一个超过1000层的深度模型。我们将n设置为200，从而得出1202层网络，该网络如上所述进行了训练。我们的方法没有优化困难，并且这个1000层网络能够实现训练误差率<0.1％（图6，右）。其测试误差仍然相当不错（7.93％，表6）。
但是，在如此积极的深度模型上仍然存在未解决的问题。尽管这两个1202层网络的训练误差相似，但其测试结果却比我们的110层网络的测试结果差。我们认为这是由于过度拟合。对于这个小的数据集，1202层网络可能会不必要地大（19.4M）。使用强正则化（例如maxout [10]或dropout [14]）可在此数据集上获得最佳结果（[10、25、24、35]）。在本文中，我们不使用maxout / dropout，而只是通过设计通过深度和精简架构强加正则化，而不会分散对优化困难的关注。但是，结合更强的正则化可能会改善结果，我们将在以后进行研究。
4.3 在PASCAL和MS COCO上的目标检测
我们的方法在其他识别任务上具有良好的泛化性能。表7和8显示了PASCAL VOC 2007和2012 [5]和COCO [26]上的对象检测基线结果。我们采用Faster R-CNN [32]作为检测方法。在这里，我们对用ResNet-101替换VGG-16 [41]的改进感兴趣。使用这两种模型的检测实现方式（请参阅附录）是相同的，因此只能将收益归因于更好的网络。最引人注目的是，在具有挑战性的COCO数据集上，我们的COCO标准指标（mAP @ [。5，.95]）增加了6.0％，相对改进了28％。该收益完全归因于残差网络所学的表示。
表7.使用基准Faster R-CNN在PASCAL VOC 2007/2012测试集中进行的对象检测mAP（％）。
表8. 使用基线Faster R-CNN在COCO验证集上进行的目标检测mAP（％）。
基于深层残差网络，我们在ILSVRC和COCO 2015多个竞赛中均获得了第一名：ImageNet检测，ImageNet定位，COCO检测和COCO分割。详细信息在附录中。