[2015] Deep Residual Learning for Image Recognition (ResNet) — He et al.

El documento presentado introduce un innovador marco de aprendizaje residual profundo para resolver el obstáculo principal en el entrenamiento de redes neuronales extremadamente profundas, conocido como el problema de degradación, donde la precisión se satura y disminuye rápidamente al aumentar las capas. En lugar de obligar a las capas apiladas a ajustar directamente una función desconocida, los autores proponen aprender funciones residuales utilizando conexiones directas o atajos de identidad que suman la entrada original a la salida de las capas sin añadir parámetros adicionales ni complejidad computacional. Esta estrategia facilita enormemente la optimización de la red y permite que modelos sustancialmente más profundos, como una red de 152 capas, obtengan importantes ganancias de precisión y un rendimiento sobresaliente en múltiples tareas visuales complejas. Como resultado de esta arquitectura eficiente, el enfoque logró el primer puesto en las competencias ILSVRC y COCO 2015, demostrando una generalización excepcional tanto en la clasificación de imágenes como en la detección y segmentación de objetos.