ResNet（残差ネットワーク）は、スキップコネクションという構造を用いて勾配消失問題を軽減し、ディープラーニングの層を劇的に深くすることを可能にした画期的なニューラルネットワークアーキテクチャです。
残差ネットワークとは
一言でいうと、ResNet（Residual Network）とは、情報を迂回させるショートカット構造を取り入れることで、数百層にも及ぶ超深層学習を安定して行えるようにした画像認識の基礎的なモデルです。
詳しく解説
ResNetは2015年にマイクロソフトの研究チームによって発表され、ILSVRC 2015などの画像認識コンペティションで圧倒的な成績を収めました。従来のディープラーニングでは、ネットワークの層を深くしすぎると、誤差逆伝播の過程で勾配が消失または爆発し、学習が全く進まなくなるという致命的な課題がありました。ResNetはこの問題を解決するため、入力データを非線形変換の層をバイパスしてそのまま出力に足し合わせるスキップコネクション（あるいは残差接続）を導入しました。これにより、ネットワークは「入力と出力の差分（残差）」だけを学習すればよくなり、勾配がスムーズに浅い層まで伝播するようになったため、モデルの正確性を損なわずに層を極限まで深くすることが可能になりました。
具体例・使われ方
ResNetは画像認識の分野において、物体検出、画像セグメンテーション、顔認識など、さまざまなコンピュータビジョンのタスクでバックボーンネットワークとして広く利用されています。また、医療画像の診断支援システムや自動運転車の視覚システムなど、高精度な画像解析が求められる実際のAIシステムにも数多く応用されています。
似た用語との違い
通常のフィードフォワード型ニューラルネットワークや、スキップコネクションを持たないVGGなどの従来モデルと比較されます。従来モデルは層を深くすると精度が飽和または低下していましたが、ResNetは層を深くするほど精度が向上する特性を持っています。また、近年のTransformerベースのモデルとも、CNNベースの強力な特徴抽出器として組み合わせて使われることが多いです。
注意点
ResNetを導入すれば無制限に性能が向上するわけではなく、データ量が不足している場合は過学習を起こすリスクがあります。また、層が深くなるにつれてパラメータ数や計算コストが増加するため、エッジデバイスやリアルタイム処理が求められる環境では、モデルの軽量化や適切なサイズ選定に注意する必要があります。