DenseNets

DenseNets网络架构与ResNet有点相像，都是把L-1层的输出作为L层的输入，同时DenseNets作为L+1,...,L+n的输入，这也就是dense含义的所在了，下面看一些大致的网络架构，如下图：

由上图的网络架构可以明显的看出，DenseNet是把第0,...,L-1层输出的feature maps（第0层表示输入图像）拼接层一个张量（tensor）feature maps，作为L层的输入。

那么我们就会有一个疑问，每个卷积层的输出的feature maps可能大小不同，如经过采样和pooling的输出，这样拼接的feature maps大小就会不一致，这该怎么办呢？有办法，DenseNet把该网络架构封装成DenseBlocks的形式（如下图），在每个DenseBlocks里进行拼接的feature maps大小都是一致的，尽管不同DenseBlocks内的feature maps的大小不一致。如下图所示：

官方Release Code（Torch）实现：DenseNet

Release Code（Keras）实现：DenseNet

Release Code（TensorFlow）实现：DenseNet

Release Code（PyTorch）实现：DenseNet