针对YOLO系列的目标检测方法参数多、计算量大、生成检测模型规模大等导致对运行硬件平台计算资源要求高的问题,提出一种基于反残差结构的轻量级多目标检测网络(IR-YOLO)。首先,利用深度可分离卷积减少模型参数和计算量;其次,基于深度可分离卷积构造反残差模块,提取高维特征;最后,根据反残差结构特点,利用线性激活函数减少通道组合过程激活函数的信息损失。IR-YOLO算法较YOLOv3-Tiny算法模型尺寸减少47.7%。实验结果表明IR-YOLO算法在不影响检测精度的前提下,可有效减少网络计算量和存储量。

残差分析的内容 分析残差是否为服从均值为0的正态分布； 分析残差序列是否独立； 分析残差是否为等方差的正态分布（也叫异方差分析）； 探测样本中的异常值和强影响点。

解差分微分方程（y''+ y-4 * x = 0）的平均加权残差方法示例，使用四种方法：点配置，子域，最小二乘和Galerkins

基于传统BP神经网络的变压器故障诊断方法，当网络模型达到一定的深度时，模型的诊断性能会趋向于饱和，无法进一步提升网络模型的诊断性能，此时加深网络模型的深度反而会导致模型的诊断性能有所下降。此外，在小样本数据下，传统BP神经网络仍无法取得较好的诊断准确率。因此，为了提高变压器故障诊断准确率以及在小样本数据下的诊断性能，提出了基于残差BP神经网络的变压器故障诊断方法。所提方法采用堆叠多个残差网络模块的方式加深BP神经网络的深度，将传统BP神经网络的恒等映射学习转化为残差BP神经网络中的残差学习。同时，在每个残差网络模块中，模块的输入信息可以在模块内跨层传输，使得每个模块的输入信息可以更好地向深层网络传递，从而在小样本数据下仍可以训练得到较好的诊断模型。实验结果表明，相较于传统深层BP神经网络和传统浅层BP神经网络，所提方法具有更高的诊断准确率，同时在小样本数据下也体现出较好的诊断性能。

使用对抗生成网络，来实现超分辨率。使用imagenet的部分数据。摒弃了用均方误差和信噪比来优化参数。

关于学生化残差的解释，在回归分析的诊断中很有用，有内学生化残差、外学生化残差等

学生课堂行为识别旨在识别学生在课堂上的行为表现，反映课堂教学质量。针对目前卷积神经网络在随着网络层数加深表现出来的性能退化的问题，提出基于残差结构的深度残差网络。通过搭建学生课堂行为识别数据集，训练深度残差网络，使网络成功识别出上课、睡觉、玩手机、做笔记、看书、东张西望等行为。将深度残差网络与深度卷积神经网络在该数据集上的准确率进行对比，实验结果表明前者拥有更好的网络识别性能。

随着实验系统规模的不断扩大，系统运行成本高、周期长等问题逐渐显现，这就造成了实验数据获取困难、可供分析的实验数据量偏小等问题。因此，有必要通过合理的模型和方法分析原始数据的特点，对实验数据进行建模预测，获得足够的数据来对系统进行下一步的分析。针对此问题，以灰色理论为基础，在非等间距GM（1，1）灰色预测模型的基础上，首先加入残差校正模型来提高预测精度，同时对于原始数据具有周期性的情形，建立周期补偿序列，最终建立起了带周期校正的灰色残差数据预测模型。最终的实验结果表明，该模型在用于对周期性数据的预测时，准确率相对于不带周期校正的预测模型有所提高。

主要介绍了tensorflow实现残差网络方式(mnist数据集)，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

MultiPoseNet: 使用姿态残差网络进行快速多人姿态估计