Deep Residual Learning for Image Recognition，由Kaiming He、Xiangyu Zhang、Shaoqing Ren和Jian Sun于2016年发表在CVPR上

1512.03385 (arxiv.org)https://arxiv.org/pdf/1512.03385
下图中，左侧为VGG19网络，中间为34层的普通网络，右侧为34层的深度残差网络ResNet。

从图中可以直观感受到ResNet的特点：

• ResNet直接使用stride=2的卷积做下采样，并且用average pool层替换了全连接层。 
• ResNet在网络中引入了残差模块，输入和输出进行跳跃连接，综合形成残差单元。
• 同时，当feature map大小降低一半时，feature map的数量增加一倍，图中虚线就表示feature map数量发生了改变，ResNet通过这种变化保持网络层的复杂度。