Aller au contenu
ATLAS Humain × IA

Référentiel B — capacité IA

ResNet

Génératif / raisonnementMicrosoft Research (Kaiming He et al.)documentéVérifié le

Architecture

Réseau de neurones convolutif profond à connexions résiduelles (« skip connections »), développé en 2015

Capacités clés

  • Entraînement de réseaux très profonds (jusqu'à plus de 150 couches) sans dégradation de performance
  • Apprentissage de fonctions résiduelles plutôt que de transformations complètes couche par couche
  • Vainqueur du concours ImageNet Large Scale Visual Recognition Challenge (ILSVRC) 2015

Usages documentés par secteur

IndustrieTRL non déterminableDiffusion standard

Backbone de vision par ordinateur largement réutilisé dans des systèmes de reconnaissance d'image industriels

  • Architecture résiduelle permettant l'entraînement de réseaux profonds — ResNet-50, ResNet-101, ResNet-152 —, vainqueur du concours ImageNet ILSVRC 2015
  • Vision par ordinateur, seul domaine d'application que la source lui reconnaît : « Originally, ResNet was designed for computer vision »

Sources de cet usage

  1. 1.Residual neural network — Wikipedia (EN)secondaire

RechercheTRL non déterminableDiffusion standard

Architecture de référence pour la recherche en vision par ordinateur, adaptée ensuite à d'autres modalités (audio, texte)

  • Variante à pré-activation entraînée jusqu'à 200 couches, la littérature citée allant de 200 à plus de 1 000 couches
  • Connexions résiduelles reprises dans les architectures Transformer

Sources de cet usage

  1. 1.Residual neural network — Wikipedia (EN)secondaire

Limites connues

Conçue à l'origine pour la vision par ordinateur, seul domaine d'application que la source lui reconnaît. Celle-ci n'établit aucune comparaison de performance ni de calendrier avec les architectures Vision Transformer : l'affirmation d'un remplacement depuis 2020, comme l'adaptation à d'autres modalités (audio, texte), ne sont traçables à aucune source de la fiche.

Débats documentés

Aucune autre fiche du référentiel ne nomme celle-ci, et celle-ci n'en nomme aucune. Ce n'est pas un signe d'accord : c'est un silence documentaire, et il se comble en écrivant les limites de la fiche avec des noms.

Sources

  1. 1.He, Zhang, Ren & Sun, « Deep Residual Learning for Image Recognition »primaire
  2. 2.Residual neural network — Wikipedia (EN)secondaire

Analyses de gap citant cette fiche

Fiches connexes — Génératif / raisonnement

Données brutes de cette fiche : /api/fiches/resnet — voir la méthodologie.