ResNet-101：高性能计算机视觉的骨干网络

ResNet-101是深度残差网络系列中的高性能模型，通过增加中间层深度显著提升了特征提取能力，在保持与ResNet-50相似参数量的同时，实现了更优的识别精度。作为大型视觉系统的核心技术，ResNet-101在需要高精度的专业领域发挥着关键作用。

一、架构创新与深度优化

1. 核心结构设计

​核心创新​：在Conv4_x阶段堆叠23个Bottleneck块（比ResNet-50增加17层）

2. Bottleneck模块增强

class DeepBottleneck(nn.Module):
    expansion = 4
    
    def __init__(self, in_channels, base_channels, stride=1, dilation=1, 
                 use_se=False, drop_rate=0.0):
        super().__init__()
        out_channels = base_channels * self.expansion
        
        # 1. 1×1降维卷积
        self.conv1 = nn.Conv2d(in_channels, base_channels, kernel_size=1, bias=False)
        self.bn1 = nn.BatchNorm2d(base_channel