ResNet50

ResNet50作为经典的深度残差网络架构，近年来持续被应用于各类视觉任务，并通过改进方法提升性能与可解释性。近期研究主要聚焦于模型剪枝、缺陷检测和文档识别等方向。首先，针对模型压缩需求，一项工作提出通道级后剪枝修复方法ASR，通过结构化剪枝与修复策略，在保持ResNet50精度的同时显著提升稀疏网络性能（ASR：通道级后剪枝修复方法，提升稀疏视觉网络精度）。其次，在工业无损检测领域，p-ResNet-50被用于航空SiC/SiC复合材料的X射线缺陷检测，通过引入可解释性机制，使模型在识别缺陷的同时提供决策依据，增强了可靠性（p-ResNet-50：可解释计算机视觉用于航空SiC/SiC复合材料X射线缺陷检测）。此外，在文字识别任务中，自信度引导的扩散增强方法结合ResNet50等基线，有效提升了孟加拉复合字符的识别准确率，展示了ResNet50在非拉丁字符集上的迁移能力（自信度引导扩散增强：孟加拉复合字符识别新突破）。当前，ResNet50的优化焦点集中在压缩效率与可解释性的平衡，以及针对特定领域的数据增强策略。未来观察点包括：剪枝修复方法能否推广至更深架构，以及其与注意力机制融合后的效果。