学习笔记 | Category | 盛溪的博客

最近的研究表明,如果卷积网络在靠近输入的层和靠近输出的层之间包含较短的连接,那么它们的训练可以更深更准确、更高效。在本文中,我们接受了这一观察,并介绍了密集卷积网络(DenseNet),它以前馈方式将每一层与其他每一层连接起来。而具有L层的传统卷积网络具有L个连接每层与其后续直接连接之间有一个连接。为了层，我们的网络有L(L+1)每一层,所有前面层的特征图用作输入,并且其自己的特征图用作所有后续层的输入。 DenseNet 有几个引人注目的优点:它们缓解了梯度消失问题,加强了特征传播,鼓励特征重用,并大大减少了参数数量。我们在四个高度竞争的对象识别基准任务(CIFAR-10、CIFAR-100、SVHN 和ImageNet)上评估了我们提出的架构。 DenseNets 在大多数方面都比最先进的技术有了显着的改进,同时需要更少的计算来实现高性能。代码和预训练模型可在https:/github.com/liuzhuang13/DenseNet 获取。