@[深度学习中的神经网络模型]
1.DenseNet(密集连接网络)
DenseNet通过引入密集连接(dense connection)的方式,实现了每一层都直接连接到所有后续层,从而增强了信息的流动、促进了特征的重用和梯度的传播。这有效地缓解了梯度消失问题,提高了网络的性能和训练效率。
在Dense Block中,1x1卷积被用来减少特征图的深度,保持特征图的尺寸不变。这一步骤被称为过渡层(Transition Layer),通常紧跟在每个稠密块的末尾。过渡层由一个1x1卷积和一个2x2的平均池化层组成,用于减少特征图的尺寸和控制特征图的数量,以在每个稠密块之间降低参数数量和计算量。
DenseNet的直接连接方式使得低级特征能够直接传递到高级特征层,使网络能够同时利用各个复杂度的特征。这种设计使得网络能够更全面地理解输入数据,在处理各种复杂任务时表现更出色。此外,由于每个层级都能够访问到之前层级的信息,DenseNet也更加稠密地利用了网络中的参数,进一步提高了网络的性能和训练效率。
2.Convolutional Fusion Network(卷积融合网络)
这是一个结合了卷积和融合操作的网络结构,旨在通过融合多个卷积核的特征图以获取更丰富的特征表示,从而提高网络的表征能力和性能。
3.SENet(注意力机制网络)
SENet引入了注意力机制,通过自适应地学习不同通道之间的重要性权重,来增强网络对重要特征的关注,抑制对不重要特征的过度依赖