ResNet十年演进(2015–2025)
一句话总论:
2015年ResNet还是“残差连接革命+ImageNet分类巅峰”的CNN时代开山之作,2025年ResNet已彻底退出历史舞台——全球新项目份额<1%,在中国<0.1%,被ViT/Transformer/VLA大模型全面取代。ResNet从“深度网络训练救星”沦为“博物馆经典”,其核心思想(残差学习+跳跃连接)融入现代ViT/Swin/VLA架构,推动视觉感知从“手工卷积特征”到“全局自注意力+多模态意图理解”的文明跃迁。
十年演进时间线总结
| 年份 | 核心范式跃迁 | 代表模型/参数规模 | ImageNet Top-1 / FPS | 实时性/多模态能力 | 中国贡献/里程碑 |
|---|---|---|---|---|---|
| 2015 | ResNet残差连接元年 | ResNet-50/101/152 / ~25–60M | ~76–78% / <10 FPS | 离线高精度 | Microsoft ResNet论文,中国立即跟进 |
| 2017 | ResNeXt+密集连接变体 | ResNeXt / DenseNet / ~100M | ~79–81% / 10–20 FPS | 初步实时 | 中国初代ResNeXt,旷视/商汤产业化起步 |
| 2019 | ResNet高效+移动端 | EfficientNet(ResNet灵感) / ~100M | ~84% / 20–50 FPS | 移动端实时 | 地平线征程 + 华为Kirin NPU ResNet变体 |
| 2021 | ResNet退场+ViT取代元年 | ViT / Swin Transformer | ~88–90% / 实时初探 | 全局注意力 | 小鹏NGP + 华为ADS 2.0 Swin BEV取代ResNet |
| 2023 | 大模型时代+ResNet遗留 | InternImage / EVA | ~94% / 100+ FPS | 多模态初步 | 阿里通义 + 华为盘古ViT大模型,ResNet仅遗留 |
| 2025 | ResNet历史经典+VLA终极形态 | Grok-4 Vision / DeepSeek-ViT | >97% / 500+ FPS(量子加速) | 全域动态社交+自进化 | 华为盘古ViT + 小鹏第二代VLA + 比亚迪天神之眼,ResNet<1% |
1.2015–2018:ResNet残差革命黄金时代
- 核心特征:ResNet残差连接解决深度网络退化,50–152层,手工堆叠,ImageNet Top-1~76–78%,离线为主,彻底终结“层数越深越差”的魔咒。
- 关键进展:
- 2015年:Microsoft ResNet论文,152层ImageNet冠军。
- 2016–2017年:ResNeXt分组卷积+DenseNet密集连接变体。
- 2018年:初步实时化,中国旷视/商汤ResNet产业化。
- 挑战与转折:局部感受野局限、手工设计瓶颈;Transformer全局注意力兴起。
- 代表案例:ResNet-50/101人脸/检测SOTA,中国产业化领先。
2.2019–2022:ResNet高效变体+退场时代
- 核心特征:EfficientNet复合缩放+ResNet移动端变体,ImageNet~84%,实时化,但ViT/Swin Transformer开始超越。
- 关键进展:
- 2019年:EfficientNet(ResNet灵感)移动端高效。
- 2020–2021年:ViT/DeiT/Swin Transformer视觉革命。
- 2022年:地平线征程+华为昇腾车载ViT取代ResNet。
- 挑战与转折:计算重、泛化弱;大模型+多模态VLA兴起。
- 代表案例:小鹏NGP + 华为ADS 2.0 ViT BEV取代ResNet。
3.2023–2025:ResNet历史经典+VLA终极时代
- 核心特征:万亿级多模态大模型+VLA端到端统一感知-语言-动作,ResNet思想(残差)融入ViT/Swin,实时毫秒级,全场景动态意图。
- 关键进展:
- 2023年:InternImage/EVA巨型ViT,ResNet仅遗留。
- 2024年:DeepSeek/Grok-4 Vision专用ViT,量子辅助鲁棒。
- 2025年:华为盘古ViT + 小鹏第二代VLA + 比亚迪天神之眼,全场景动态社交ViT,ResNet新项目份额<1%。
- 挑战与转折:黑箱/计算重;量子+大模型自进化标配。
- 代表案例:比亚迪天神之眼(7万级全天气ViT理解),银河通用2025人形(VLA ViT动态意图视觉)。
一句话总结
从2015年ResNet残差连接的“深度网络救星”到2025年被VLA量子自进化取代的“历史经典”,十年间ResNet由CNN王者转向博物馆文物,中国主导ResNet→ViT→VLA架构创新+普惠下沉,推动视觉感知从“局部卷积特征”到“全局语义自注意力理解”的文明跃迁,预计2030年ResNet渗透率<0.1%+仅存教学。
数据来源于arXiv综述、IROS 2025及中国厂商技术白皮书。