레즈넷(ResNet)

개요

ResNet(Residual Network, 레즈넷)은 딥러닝 모델의 층을 깊게 쌓을수록 발생하는 학습 저하 문제(Vanishing Gradient, Degradation Problem)를 해결하기 위해 제안된 잔차 학습 기반 신경망 구조입니다. Microsoft의 He et al.이 2015년 발표한 ResNet은 ILSVRC 이미지 분류 대회에서 우승하며 CNN 구조의 새로운 전환점을 마련했으며, 현재도 다양한 비전 모델 및 변형 모델의 기반이 되는 핵심 구조입니다.

---

1. 개념 및 정의

항목	설명
정의	입력 정보를 '직접 전달(skip connection)'해 잔차 학습을 수행하는 CNN 기반 딥러닝 모델
목적	딥러닝의 깊이 증가로 발생하는 학습 저하, 기울기 소실 문제를 해결
주요 구조	Residual Block, Identity Shortcut, Bottleneck Block

---

2. 잔차 학습(Residual Learning) 원리

구성 요소	설명
입력 x	일반적인 CNN에서 층을 통과시키는 입력
F(x)	x를 처리한 결과 (ex. 두 개의 Conv-BN-ReLU)
출력 y	F(x) + x → 출력에 입력을 더함으로써 잔차를 학습
효과	학습 목표를 직접 출력이 아닌 '입력과 출력의 차이'로 변경하여 학습 안정성 증가

---

3. ResNet 구조 종류

모델	설명
ResNet-18 / ResNet-34	기본 블록 구조 사용 (2-layer Residual Block)
ResNet-50 / 101 / 152	Bottleneck Block 사용 (3-layer 구조), 성능 향상에 적합
ResNeXt	그룹 컨볼루션을 결합한 확장형 ResNet 구조
Wide ResNet	레이어 수를 늘리기보다 채널 수를 넓혀 학습 효율 개선

---

4. 주요 장점

항목	설명
학습 안정성	깊은 네트워크에서도 기울기 소실 없이 학습 가능
성능 향상	동일한 파라미터 수에서도 정확도 개선 효과 있음
확장성	다양한 네트워크 구조에 skip connection 방식 적용 가능
전이학습 최적화	ResNet은 다양한 비전 태스크에서 Pretrained 모델로 우수함

---

5. 적용 분야 및 활용 사례

분야	적용 사례
이미지 분류	ImageNet, CIFAR-10/100 등에서 ResNet 기반 분류기 활용
객체 탐지	Faster R-CNN, Mask R-CNN의 백본(backbone)으로 ResNet 사용
얼굴 인식	ArcFace, FaceNet 등 딥러닝 기반 얼굴 임베딩 네트워크에서 활용
의료 영상 분석	CT, MRI 이미지의 이상 탐지 네트워크로 활용
딥페이크 탐지	이미지 진위 검출을 위한 특징 추출기로 ResNet 활용

---

6. 구현 및 코드 예시 (PyTorch)

import torchvision.models as models
model = models.resnet50(pretrained=True)

• resnet18, resnet34, resnet101, resnet152 등 다양한 깊이 선택 가능
• Pretrained weight 제공

---

7. 한계 및 개선 방향

항목	설명
연산량 증가	깊은 구조는 연산량 증가 및 추론 지연 발생
구조 복잡성	Bottleneck 구조는 초보자에게 구현 난이도 있음
경량화 어려움	모바일/임베디드 환경에서는 ResNet은 경량화 필요 (→ MobileNet, ShuffleNet 등 고려)

---

결론

ResNet은 딥러닝의 구조적 한계를 극복한 획기적인 모델로, 오늘날의 대부분의 비전 네트워크 설계에 영향을 준 기반 구조입니다. 단순한 skip connection이 딥러닝 성능과 학습 안정성에 얼마나 큰 영향을 줄 수 있는지를 보여준 대표 사례로, 여전히 강력한 기본 백본으로 자리 잡고 있습니다.