Development of Skip Connection in Deep Neural Networks for Computer Vision and Medical Image Analysis: A Survey

深度学习在计算机视觉领域，特别是在图像分类、目标检测和语义分割方面取得了显著进展。跳跃连接在深度神经网络的架构中发挥了重要作用，通过残差学习在训练阶段实现更容易的优化，并在测试阶段提高准确性。许多神经网络在各种任务中继承了带有跳跃连接的残差学习思想，这已成为设计神经网络的标准选择。本文概述了跳跃连接在深度神经网络中的发展，并展望了未来在残差学习中使用跳跃连接的方向。同时，总结了在计算机视觉中使用跳跃连接的重要论文、源代码、模型和数据集，包括图像分类、目标检测、语义分割和图像重构。希望这份调查能够激发同行研究人员在各种形式和任务中进一步开发跳跃连接和深度神经网络中的残差学习理论。该项目页面可在https://github.com/apple1986/Residual_Learning_For_Images找到。

本篇论文旨在探讨深度神经网络中的跳跃连接对于图像分类、物体检测、语义分割等计算机视觉任务的影响，以及跳跃连接在训练和测试阶段中的有效性。

跳跃连接在深度神经网络中的应用可以通过残差学习提高模型的优化和准确性，是设计神经网络的标准选择。

论文总结了跳跃连接在深度神经网络中的发展历程和残差学习的发展情况，探讨了跳跃连接在训练和测试阶段中的有效性，并提出了跳跃连接在残差学习中的未来方向。此外，还总结了使用跳跃连接的计算机视觉任务的经典论文、源代码、模型和数据集。

最近的相关研究包括使用跳跃连接进行图像分类、物体检测、语义分割、图像重建等任务的论文，如He等人的《Deep Residual Learning for Image Recognition》、Lin等人的《Feature Pyramid Networks for Object Detection》、Chen等人的《DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs》等。