DenseNet简介

论文传送门：https://arxiv.org/pdf/1608.06993.pdf

CNN模型的发展十分火热，自LeNet提出以来，涌现了一批优秀的CNN模型。
LeNet是CNN的开山之作，标志着CNN真正的提出。2012年AlexNet夺得ILSVRC2012的冠军，深度学习大火。之后又涌现了VGG、GoogleNet、ResNet等，其中ResNet可谓是一个里程碑式的CNN模型。

本文介绍的DenseNet是CVPR 2017的best paper，在ResNet的基础上进行改进优化。

DenseNet和ResNet的核心思想都是创建一个跨层连接来连通网络的前后层，在DenseNet中作者为了最大化层级之间的信息流，将所有层两两进行连接，这也是DenseNet(Densely Connected Convolutional Networks)名字的意义所在，密集的网络连接。

DenseNet有多个优点：

1. 大量的feature 被复用，这样只需要少量的卷积核，使得整个模型的参数数量减小。
   

2. 可以加强feature的传递，减轻梯度消失的问题。
   

Dense block结构：

下图为一个Dense block的基础结构，可以看到，每一层的输入为前面所有的网络层。DenseNet的密集连接是存在于每一个Dense block内部的。

Dense block中第L层的输入和前面1到L-1层的输出都有关系，论文中公式表达为

其中[ ]表示concatenation即拼接操作，使用了非线性变换H，H为BN+ReLU+ Conv(3×3)的组合。

DenseNet网络结构：

下图为一个完整的DenseNet网络，包含多个Dense block以及transition layer。同一个Dense block中feature size的大小相同，通过transition layer实现下采样。

下图为DenseNet的网络参数详情：