要約
本研究では、大規模画像認識タスクにおける畳み込みニューラルネットワークの深さがその精度に与える影響を調査しました。主な貢献は、非常に小さな（3x3）畳み込みフィルターを使用したアーキテクチャを用いて、深さを16〜19の重み層まで増加させることで従来の設定よりも大幅な改善が得られることを詳細に評価したことです。これらの結果に基づき、2014年のImageNetチャレンジに提出した私たちのチームは、ローカリゼーション部門で1位、分類部門で2位を獲得しました。また、他のデータセットへの汎化性能も優れていることを示しており、それらにおいて最先端の結果を達成しています。さらに、最良の性能を発揮する2つのConvNetモデルを公開し、深層視覚表現のコンピュータビジョンにおける利用に関するさらなる研究を促進することを目指しています。