论文【Densely Connected Convolutional Networks】
DenseNet是在ResNet基础上的改良。
在一个Dense Block中前层的特征图channel连接到每一个后层输出中,L层的Dense Block包括L(L+1)/2个直接连接。如下图所示:
DenseNet有以下几个有点:缓和了梯度消失问题、加强了特征传播复用、减少了参数数量。
其与ResNet主要区别就是DenseNet特征图复用性更强,Dense Block内每一层都将特征图直接传递到后面每一层进行复用,且ResNet复用方式是特征图叠加而DenseNet则是channel连接。
Dense Block中每一层,也就是映射函数H采用的是BN + ReLU + Conv(33),由于需要channel连接,每层输出的特征图大小相同。Dense Block之间的连接层被称为Transition layers,由BN+ReLU + 11 Conv + 2*2 Avg Pooling组成。Transition layers主要功能是进行下采样。
DenseNet有个超参数被称为Growth rate,其表示Dense Block内每一层产生特征图的通道数,也即表示每一层卷积核数量。假设其为K,则每一层产生K通道特征图,由于DenseNet所采用的特征图复用传递方式,第L层的输入为L*K通道的特征图。
由上可知,随着层数的增加,每一层的输入也将线性增加,第L层的输入为LK通道的特征图。为了降低输入通道数量,设计了第二个版本的H函数,由BN + ReLU + Conv(11) + BN + ReLU + Conv(33)组成,被称为DenseNet-B模型。其中Conv(11)被用来降低通道数量,在本文实验中产生4*K通道的特征图。相当于引入了bottleneck结构,降低通道数量提高计算效率。
Transition layers除了降低特征图大小,还可以通过11卷积进一步压缩特征图通道数,有参数θ为压缩系数,θ属于(0,1]。假设输入时m个通道的特征图,当θ=1时不压缩,当θ<1时产生θm向下取整个通道特征图。当θ<1时,模型又被称为DenseNet-C,与前面的DenseNet-B同时使用时模型被称为DenseBlock-BC。文中实验里采用θ = 0.5。
ImageNet下DenseNet不同层网络结构如下所示,Growth rate设置为32:
实验
本文主要做了ImageNet、CIFAR、SVHN数据及下的实验,其中CIFAR和SVHN实验结果如下:
上表中的k表示Growth rate。+表示数据增强。
DenseNet相对于各种算法框架展现了更优的性能,特别是未进行数据增强的情况下,能够做到用更少的参数产生更优于ResNet的结果。