论文笔记：Multi-Scale Dense Networks for Resource Efficient Image Classification

Multi-Scale Dense Networks for Resource Efficient Image Classification

[ICLR2018 oral]
原文链接：传送门

目录

问题

• 在近几年的视觉物体识别任务上，有的物体很容易就可识别出来，而有的被遮挡的物体或者由于拍摄角度诡异，而很难识别的物体，在test的时候回消耗同样的计算资源。这对于大型的数据集来说，会产生会多不必要的计算资源浪费。

• 在一般的卷积神经网络中，倒数第二层的特征将直接输入到最后一层进行分类，其他层的特征将被忽视。

• 不同的卷积神经网络的层包含不同级别的scale信息。我们应该充分利用低维和高维特征。

解决方法

• 把每层的layer都连接到classification层

• 创建一个multi-scale的网络框架，让每层都包含不同的scale信息。

本文所创建的网络叫做Multi-Scale DenseNet (MSDNet)。
网络模型框架，自行参考原文figure 2.

个人理解

• 分类器的分类准确率与它使用第几层产生的feature来