摘要
卷积神经网络越深其准确率也越高,并且如果它们包含距离输入和输出层之间较短的连接时,它们更容易训练,对于传统的网络来说有L层网络,那么其有L个连接,但对于Densenet来说其有L(L+1)/2个连接。DenseNet有一下几个优点:减缓了梯度消失问题,增强了特征传播,鼓励特征重利用,大量的减少了参数数量。
结构如下所示:
简介
随着网络的加深,输入或梯度信息会通过很多层进行传输,由此会出现梯度消失问题。有许多的网络被提出来解决该问题,不过它们共同特性是:建立了从前一层到后一层的短路径,即跳跃连接。
DenseNet同样遵守这一连接模式,为了最大程度的利用层之间的信息流动,每一层包含前面层的输入并且将它们输入到后面的网络层。
由于它能利用前面层的信息进行学习,不需要重复学习多余的信息,因此其需要更少的参数。DenseNnet每一层可以直接利用到从损失函数的梯度和原始的输入,因此导致了隐含的深度监督,这帮助了可以更加容易的训练更深的网络,而不会造成梯度消失问题,同时该网络结构也起到了正则化作用,使用较少训练集训练时减少了过拟合效应。在连接方式上与Res