【2025最新整理】ResNet 系列网络的演进及其创新
目录
1. Wide ResNet（2016年）
3. ResNeXt（2017年）
4. SENet（2018年）
5. ResNet-D（2018年）
6. ResNeSt（2020年）
7. RegNet（2020年）
8. TResNet（2020年）
9. ResNet-RS（2021年）
总结
所有论文已上传至github
自ResNet系列网络问世以来，深度学习领域经历了多次革新，每一代变体在原始ResNet架构基础上进行了不同的改进和优化，使得深度神经网络的性能和效率得到了显著提升。以下将详细介绍ResNet的各个重要变体及其关键创新。
1. Wide ResNet（2016年）
Wide ResNet提出了一种通过增加网络宽度（即增加每层通道数）来提升模型性能的思路，而非通过加深网络层数。相比于单纯的深度增加，网络宽度的扩展可以在减少训练时间的同时提高模型的表达能力。这种架构特别适合处理高分辨率图像，因为其宽度提升在一定程度上改善了信息传递效率，能够在保证精度的前提下兼顾计算效率，进而在多个视觉任务上表现优异。
发表论文：《Wide Residual Networks》
发布年份：2016
会议：BMVC 2016
2. DenseNet（2016年）
DenseNet（Densely Connected Convolutional Networks）通过密集连接的设计，极大地促进了信息和梯度的流动。其创新之处在于让每一层的输出不仅直接传递给下一层，还传递给所有后续层，从而缓解了梯度消失问题，并且大幅减少了网络参数。这种密集连接使得模型的特征重用得到了最大化，既提高了网络的效率，也减小了内存需求，使网络更加轻量高效。
发表论文：《Densely Connected Convolutional Networks》
发布年份：2016
会议：CVPR 2017
3. ResNeXt（2017年）
ResNeXt在ResNet基础上引入了分组卷积和堆叠的残差单元结构，以提高深度学习模型的准确性，同时控制模型复杂度。该架构借鉴了VGG网络的堆叠思想和Inception网络的split-transform-merge策略，提出了“cardinality”概念，即通过增大通道数而不是简单的加深网络宽度来增强模型性能。ResNeXt因其独特的结构，在多个计算机视觉任务上取得了令人瞩目的效果。
发表论文：《Aggregated Residual Transformations for Deep Neural Networks》
发布年份：2017
会议：CVPR 2017
4. SENet（2018年）
SENet（Squeeze-and-Excitation Networks）在ResNet架构上引入了Squeeze-and-Excitation模块，该模块能够自适应地调整不同通道的重要性。具体来说，SENet会对每一通道进行“压缩（squeeze）”和“激励（excitation）”操作，从而自动提升重要通道的权重，并减弱次要通道的影响。这种注意力机制的引入，使模型在保持轻量化的同时，能够显著提升表达能力和精度。
发表论文：《Squeeze-and-Excitation Networks》
发布年份：2018
会议：CVPR 2018
5. ResNet-D（2018年）
ResNet-D通过对下采样模块的改进，增强了网络在特征提取上的平滑性，尤其适用于图像分类任务。该结构利用了更优化的特征提取方式，提升了特征表示的精度，从而在多个分类任务上实现了性能提升。ResNet-D的设计基于优化残差网络的基础结构，使得模型在不增加复杂度的前提下取得了性能增益。
发表论文：《Bag of Tricks for Image Classification with Convolutional Neural Networks》
发布年份：2018
会议：CVPR 2019
6. ResNeSt（2020年）
ResNeSt（Split-Attention Networks）的核心创新是Split-Attention模块，该模块结合了Squeeze-and-Excitation模块的思想，通过在网络的特征图上执行分割和并行处理，增强了模型的注意力机制。该结构使得网络能够在不同特征区域之间有效地分配关注力，从而实现更高效的信息捕捉，在图像分类、检测等任务上表现出了显著的性能优势。
发表论文：《ResNeSt: Split-Attention Networks》
发布年份：2020
会议：CVPR 2020
7. RegNet（2020年）
RegNet是一种通过搜索空间设计网络的架构方法，其重点在于基于正则性原则来系统化地设计网络结构。RegNet不再依赖人工设计网络，而是通过参数化的设计策略来生成网络的宽度和深度，形成一系列正则曲线，这种方式能够在计算成本和模型性能之间取得良好的平衡。RegNet的设计方法引领了深度学习模型结构的自动化设计潮流。
发表论文：《Designing Network Design Spaces》
发布年份：2020
会议：CVPR 2020
8. TResNet（2020年）
TResNet（Transformer-ResNet）是一种专为高效推理任务设计的ResNet变体，特别适用于大规模数据集上的高性能图像分类任务。该架构结合了改进的残差模块和动态调度等技术，能够在GPU和TPU上高效地运行。TResNet在保持高精度的前提下显著减少了推理时的计算资源需求，尤其在实时应用场景中表现出色。
发表论文：《TResNet: High Performance GPU-Dedicated Architecture》
发布年份：2020
9. ResNet-RS（2021年）
ResNet-RS在网络结构优化的基础上，结合了更加先进的训练和缩放策略，如Mixup和标签平滑等正则化技术，以及自动数据增强技术，显著提升了模型在ImageNet上的表现。这种改进使得ResNet-RS不仅在精度上达到了新高度，同时在模型的训练效率和稳定性上也有明显提升。
发表论文：《ResNet strikes back: An improved training procedure in timm》
发布年份：2021
总结
ResNet系列的每一个变体都基于不同的创新思路，对网络的结构、特征提取方式以及注意力机制进行了多样化的探索。从Wide ResNet的宽度扩展到SENet的通道自适应，再到RegNet的自动化设计，ResNet系列在不断拓展和优化网络结构的同时，也推动了深度学习在计算机视觉领域的应用和发展。这些变体在各自的设计思路上独具特色，成为了现代深度神经网络设计的重要里程碑。
所有论文已上传至github
1552186151/ResNet-EfficientNet-MobileNet-Architectural-Innovations: ResNet、EfficientNet和MobileNet系列网络的演进及其创新
https://github.com/1552186151/ResNet-EfficientNet-MobileNet-Architectural-Innovations