Deep Residual Learning for Image Recognition (ResNet, 2015)
📄 原文：arXiv:1512.03385 · PDF
里程碑 ⭐ — 让神经网络真正”深”起来，是现代深度 CV/OCR backbone 的基石。
一句话定位
提出 残差连接（skip connection）， 让极深网络（100+ 层）也能稳定训练，解决了深度增加反而退化 (degradation) 的问题。
核心贡献
- 残差学习：不直接学 H(x)，而是学残差 F(x)=H(x)−x，输出 F(x)+x。 恒等映射更易优化，梯度可无损回传。
- Skip Connection：跨层直连，几乎零额外参数。
- 训练出 152 层 ResNet（比 VGG 深 8 倍但复杂度更低），CIFAR 上验证到 1000 层可训。
关键结果
- ImageNet 分类 top-5 error 3.57%（ensemble），ILSVRC 2015 分类第一名
- 同时拿下 ImageNet 检测/定位、COCO 检测/分割多项第一
- 证明”越深越好”在有残差时成立
为什么是里程碑
- 残差连接成为深度学习的通用组件，Transformer 内部也用残差
- ResNet 至今是检测、分割、OCR/文档版面分析 (DLA) 最常用的 backbone 之一
- 深度网络训练范式的转折点
关联
- Skip connection 被 Transformer 的残差结构继承
- 文档智能中 DiT、LayoutLM 的视觉分支常用 ResNet/类残差 backbone