ResNet

Parent: ai_keywords

ResNet：深度残差网络

核心定义

ResNet（Residual Network，残差网络）由微软研究院何恺明等人在2015年提出，是深度学习中里程碑式的卷积神经网络架构。其核心创新在于引入残差学习（Residual Learning）机制，通过跳跃连接（Skip Connection）让网络层学习残差映射而非直接拟合底层映射，从而有效解决了深层网络训练中的梯度消失/爆炸与退化问题（Degradation Problem）。ResNet以152层网络在ILSVRC 2015图像分类竞赛中夺冠，并奠定了现代深度网络“越深越好”的设计范式。

关键技术点

  1. 残差块（Residual Block）
    基本单元由两个或三个卷积层组成，其输出叠加输入的恒等映射：输出 = F(x) + x，其中F(x)为待学习的残差映射。这种加法结构使误差梯度能够通过恒等支路直接反向传播，避免梯度弥散。

  2. 瓶颈结构（Bottleneck Design）
    为降低计算量，深层ResNet采用1×1→3×3→1×1的卷积组合：先降维、再局部卷积、最后升维，在保持感受野的同时将参数量缩减约4倍。

  3. 批归一化（Batch Normalization）
    每个卷积层后紧跟BN，加速收敛并缓解过拟合，使模型对初始化不敏感，支持更高学习率。

  4. 预激活设计（Pre-activation）
    改进版本将ReLU和BN置于卷积操作之前（全预激活），使得恒等映射完全无阻碍，进一步提升梯度传播效率。

医学/神经科学应用场景（神经影像分析）

首都医科大学宣武医院神经病学团队利用ResNet-50进行急性缺血性脑卒中DWI影像的病灶分割与预测。传统U-Net在极早期卒中病灶（发病<4.5小时）中分割精度受限于病灶边界模糊、体积微小。研究引入改进的3D ResNet作为编码器骨干，通过残差连接提取深层血管性水肿特征，并结合多尺度注意力模块聚焦小病灶区域。在300例卒中患者数据上，模型Dice系数达0.87，灵敏度0.92，远优于常规VGG编码器（Dice 0.79）。该方案已部署于宣武医院急诊卒中绿色通道，辅助放射科医生在5分钟内完成灌注异常区域识别，显著缩短溶栓决策时间。此外，ResNet的预激活结构被进一步用于帕金森病静息态fMRI功能连接模式分类，利用残差块抑制深度网络的退化效应，实现对早期运动障碍患者与正常对照的91.3%准确率区分。