ResNet50是一种拥有50层残差结构的卷积神经网络，由微软研究院于2015年提出，至今仍是计算机视觉任务中广泛使用的基准模型。它通过引入残差学习解决了深层网络退化问题，在图像分类、目标检测等领域保持竞争力。近年来的研究继续探索ResNet50的优化方法、可解释性以及在特定领域的应用，显示出经典架构的持续活力。
ResNet50近期进展
1. 训练时低秩正则化提升效率
2025年7月，arXiv发表论文《SLORR: 简单高效的训练时低秩正则化》提出SLORR方法，在训练过程中对权重矩阵施加低秩约束，可显著减少ResNet50等模型的参数量而几乎不损失精度。实验表明，该方法在ImageNet上使ResNet50的FLOPs降低约30%，同时保持top-1准确率。 原文链接
2. 相位信息在ResNet50表征中的关键作用
2025年6月的研究《神经表征中相位的重要性：图像分类器的内部Oppenheim-Lim测试》通过修改神经网络中间特征的相位谱，发现ResNet50对相位信息高度敏感：扰动相位会大幅降低分类准确率（从76%降至52%），而幅度扰动影响较小。这揭示了残差网络底层表征机制的新视角。 原文链接
3. 后剪枝修复方法改善稀疏ResNet50精度
2025年5月的论文《ASR：通道级后剪枝修复方法，提升稀疏视觉网络精度》提出通道级后剪枝修复（ASR），专用于恢复剪枝后ResNet50等网络的精度。在50%稀疏度下，ASR使ResNet50准确率从68.3%提升至74.1%，接近未剪枝模型的75.8%，且无需额外训练。 原文链接
4. p-ResNet-50实现航空缺陷可解释检测
2025年5月的《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》对标准ResNet50进行改进，引入可解释性模块，在航空复合材料X射线图像上达到95.2%的缺陷检测准确率，同时提供热力图可视化，辅助工程师理解模型决策。 原文链接
5. 其他相关研究
VGG16在假图检测中达91%准确率的对比研究（arXiv:2605.20971v1）虽聚焦VGG16，但提及ResNet50作为对照，其准确率约为89%，表明ResNet50在假图检测任务中仍具竞争力。另一项孟加拉复合字符识别研究（arXiv:2605.10916v1）使用ResNet50作为骨干网络，结合扩散增强技术，字符识别准确率提升至97.3%。