论文的主要贡献:
论文提出了一种新的网络DenseNet。
论文想法的来源:
卷积神经网络越深,准确率越高,同时与输入靠近的层和输出靠近的层时间的连接越短,越有助于训练。
论文的网络DenseNets:
是将要通过卷积神经网络的图像。网络一共包含L层,实践过程中会有一个非线性转换函数 (类似于BN,ReLU,Pooling,或卷积), 中的l表示层。第l层的输出记为 。
ResNet. 传统的神经网络将第l层的输出作为第l+1层的输入,满足下列的转换形式 。ResNet跳过非线性转换,用一个特定函数添加skip-connection: 这样做的一个好处是通过这个特定的函数,梯度可以直接的在later layers与earlier layers时间流动,同时带来的问题是,这个通过和式进行结合的,可能会妨碍网络中的信息流动。
Dense connectivity. 为了进一步改善层与层之间的信息流动,我们提出了一种新的连接方式:直连任何层与其的所有后续层。 接受所有前向层的输出 作为输入: ,其中 表示 层产生的feature-map的级联。
Composite function.我们定义 包含下面三个操作的综合函数:BN,ReLU,3*3 Conv。
P