【论文阅读】DenseNet网络结构详解及代码复现

何如千泷

已于 2024-05-28 11:16:18 修改

阅读量1.3w

点赞数 33

分类专栏： # 图像分类论文阅读文章标签：卷积神经网络深度学习 densenet

于 2021-05-15 20:04:34 首次发布

本文链接：https://blog.csdn.net/qq_42735631/article/details/116861074

版权

论文阅读同时被 2 个专栏收录

23 篇文章 0 订阅

订阅专栏

图像分类

9 篇文章 5 订阅

订阅专栏

1. DenseNet论文详解

Abstract:

如果在靠近输入和靠近输出层之间包含更短的连接，那么卷积神经网络可以很大程度上更深，更准确和高效地进行训练。根据这一结果，我们提出了DenseNet（密集卷积网络）: 对于每一层，所有前一层地特征图作为输入，而这一层地特征图用作所有后续层地输入。优势有：缓解了梯度消失问题，加强了特征传播，鼓励特征复用，并很大程度上减小了参数的数量。

1.1. Introduction

随着卷积神经网络的不断加深，出现了一个问题——关于输入或梯度在经过很多层到达网络的终点（或起点）时，它可能会消失。对于此问题的解决方法：

ResNet和Highway Networks通过identity connection将信号从一层绕传到另一层
Stochastic depth在训练期间随机掉落层来缩短ResNet，以允许更好的信息和梯度流动
FractalNets重复组合多个具有不同数量卷积块的平行层序列，以获得较大的标称深度，同时在网络中保持许多短路径

这些方法都有一个共同点：创建了从早期层到后期层的短路径

为了确保网络中各层之间最大的信息流，我们将所有层直接连接到彼此。为了保持前馈性质，每一层都从所有前面的层获得额外的输入，并将自己的特性映射传递给所有后续层。与resnet相比，我们从来没有在将特性传递到一个层之前通过累加来组合它们，相反，我们通过特征连接来组合它们。我们将此方法称为DenseNet
在这里插入图片描述

DenseNet的优势：

改进了信息和梯度的流动，使得易于训练
密集连接具有正则化效益，减少了训练集规模较小的过拟合问题

1.2. DenseNets

1.2.1 Compare nets

Traditional nets: $x_l=H_l(x_{l-1})$
ResNets： $x_l=H_l(x_{l-1}) + x_{l-1}$
DenseNets： $x_l=H_l([x_0,x_1,\dots,x_{l-1}])$

参数说明：

$x_0$ ：卷积网络得输入的单个图像
此网络有 $L$ 层，每一层实现一个非线性变换 $H_l$ ，其中 $l$ 表示第 $l$ 层
$x_l$ ：第 $l$ 层的输出

1.2.2 Architecture of net

在这里插入图片描述

Composite function：定义为3个连续操作的复合函数

BN：batch normalization
ReLU：rectified linear unit
Conv：convolution

Pooling layers

当feature-map的大小发生改变时， $x_l=H_l([x_0,x_1,\dots,x_{l-1}])$ 中的拼接操作是不可行的，需要通过下采样层来改变feature-map的大小，下采样层的组成为：

BN层
1x1卷积层
平均层化层

Growth rate

如果每个函数 $H_l$ 产生 $k$ 个feature-maps，那么可以得出第 $l$ 层有 $k_0+k \cdot (l-1)$ 个输入feature-maps，其中 $k_0$ 是输入层的通道数，我们将k作为网络的growth rate。从表1，可知growth rate为32

Bottleneck layers

虽然每一层只产生 $k$ 个feature-maps，但是由于输入很多，我们需要在每一次3x3卷积之前引入一个1x1卷积以减少feature-maps的数量，从而减小参数并提高效率，在实验中，我们发现这种设计对DenseNet很有效，我们让每个1x1卷积产生 $4 k$ 个特征图，这样我们的函数 $H_l$ 为：

BN
ReLU
Conv(1x1)
BN
ReLU
Conv(3x3)

Compression
为了进一步提高模型紧凑型，我们可以减少transition layer输出的特征图数量。如果dense block包含m个特征图，我们让dense block后的transition latyer生成 $\lfloor \theta m\rfloor$ 个特征图，其中 $\theta$ 为压缩因子，在我们的实验中设置 $\theta=0.5$

Implementation Details

在进入第一个dense block时，对输入图像进行16（或为growth rate两倍）输出通道的卷积
对于3x3卷积，输入的四周用一个像素填充0，以保证feature-map的大小不变
使用1x1卷积，然后使用2x2平均池化作为两个dense block的过渡层
在最后一个dense block的末端，执行一个全局平均池化，然后加一个softmax分类器

2. 基于Pytorch代码复现

2.1 模型搭建

import torch.nn as nn
import torch
from torchvision import models


class _DenseLayer(nn.Module):
    def __init__(self, num_input_features, growth_rate, bn_size, drop_rate=0):
        super(_DenseLayer, self).__init__()
        self.drop_rate = drop_rate
        self.dense_layer = nn.Sequential(
            nn.BatchNorm2d(num_input_features),
            nn.ReLU(inplace=True),
            nn.Conv2d(in_channels=num_input_features, out_channels=bn_size * growth_rate, kernel_size=1, stride=1, padding=0, bias=False),
            nn.BatchNorm2d(bn_size * growth_rate),
            nn.ReLU(inplace=True),
            nn.Conv2d(in_channels=bn_size * growth_rate, out_channels=growth_rate, kernel_size=3, stride=1, padding=1, bias=False)
        )
        self.dropout = nn.Dropout(p=self.drop_rate)

    def forward(self, x):
        y = self.dense_layer(x)
        if self.drop_rate > 0:
            y = self.dropout(y)

        return torch.cat([x, y], dim=1)


class _DenseBlock(nn.Module):
    def __init__(self, num_layers, num_input_features, bn_size, growth_rate, drop_rate=0):
        super(_DenseBlock, self).__init__()
        layers = []
        for i in range(num_layers):
            layers.append(_DenseLayer(num_input_features + i * growth_rate, growth_rate, bn_size, drop_rate))
        self.layers = nn.Sequential(*layers)

    def forward(self, x):
        return self.layers(x)


class _TransitionLayer(nn.Module):
    def __init__(self, num_input_features, num_output_features):
        super(_TransitionLayer, self).__init__()
        self.transition_layer = nn.Sequential(
            nn.BatchNorm2d(num_input_features),
            nn.ReLU(inplace=True),
            nn.Conv2d(in_channels=num_input_features, out_channels=num_output_features, kernel_size=1, stride=1, padding=0, bias=False),
            nn.AvgPool2d(kernel_size=2, stride=2)
        )

    def forward(self, x):
        return self.transition_layer(x)


class DenseNet(nn.Module):
    def __init__(self, num_init_features=64, growth_rate=32, blocks=(6, 12, 24, 16), bn_size=4, drop_rate=0, num_classes=1000):
        super(DenseNet, self).__init__()

        self.features = nn.Sequential(
            nn.Conv2d(in_channels=3, out_channels=num_init_features, kernel_size=7, stride=2, padding=3, bias=False),
            nn.BatchNorm2d(num_init_features),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
        )

        num_features = num_init_features
        self.layer1 = _DenseBlock(num_layers=blocks[0], num_input_features=num_features, growth_rate=growth_rate, bn_size=bn_size, drop_rate=drop_rate)
        num_features = num_features + blocks[0] * growth_rate
        self.transtion1 = _TransitionLayer(num_input_features=num_features, num_output_features=num_features // 2)

        num_features = num_features // 2
        self.layer2 = _DenseBlock(num_layers=blocks[1], num_input_features=num_features, growth_rate=growth_rate, bn_size=bn_size, drop_rate=drop_rate)
        num_features = num_features + blocks[1] * growth_rate
        self.transtion2 = _TransitionLayer(num_input_features=num_features, num_output_features=num_features // 2)

        num_features = num_features // 2
        self.layer3 = _DenseBlock(num_layers=blocks[2], num_input_features=num_features, growth_rate=growth_rate, bn_size=bn_size, drop_rate=drop_rate)
        num_features = num_features + blocks[2] * growth_rate
        self.transtion3 = _TransitionLayer(num_input_features=num_features, num_output_features=num_features // 2)

        num_features = num_features // 2
        self.layer4 = _DenseBlock(num_layers=blocks[3], num_input_features=num_features, growth_rate=growth_rate, bn_size=bn_size, drop_rate=drop_rate)
        num_features = num_features + blocks[3] * growth_rate

        self.avgpool = nn.AdaptiveAvgPool2d((1, 1))
        self.fc = nn.Linear(num_features, num_classes)

    def forward(self, x):
        x = self.features(x)

        x = self.layer1(x)
        x = self.transtion1(x)
        x = self.layer2(x)
        x = self.transtion2(x)
        x = self.layer3(x)
        x = self.transtion3(x)
        x = self.layer4(x)

        x = self.avgpool(x)
        x = torch.flatten(x, start_dim=1)
        x = self.fc(x)

        return x


def DenseNet121(num_classes):
    return DenseNet(blocks=(6, 12, 24, 16), num_classes=num_classes)

def DenseNet169(num_classes):
    return DenseNet(blocks=(6, 12, 32, 32), num_classes=num_classes)

def DenseNet201(num_classes):
    return DenseNet(blocks=(6, 12, 48, 32), num_classes=num_classes)

def DenseNet264(num_classes):
    return DenseNet(blocks=(6, 12, 64, 48), num_classes=num_classes)

def read_densenet121():
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    model = models.densenet121(pretrained=True)
    model.to(device)
    print(model)


def get_densenet121(flag, num_classes):
    if flag:
        net = models.densenet121(pretrained=True)
        num_input = net.classifier.in_features
        net.classifier = nn.Linear(num_input, num_classes)
    else:
        net = DenseNet121(num_classes)

    return net

2.2 训练结果如下

训练数据集与验证集大小以及训练参数

Using 3306 images for training, 364 images for validation
Using cuda GeForce RTX 2060 device for training
lr: 0.0001
batch_size: 16

使用自己定义的网络训练结果

[epoch 1/10] train_loss: 1.209 val_acc: 0.626
[epoch 2/10] train_loss: 1.035 val_acc: 0.588
[epoch 3/10] train_loss: 0.980 val_acc: 0.679
[epoch 4/10] train_loss: 0.902 val_acc: 0.670
[epoch 5/10] train_loss: 0.838 val_acc: 0.698
[epoch 6/10] train_loss: 0.805 val_acc: 0.712
[epoch 7/10] train_loss: 0.825 val_acc: 0.717
[epoch 8/10] train_loss: 0.765 val_acc: 0.742
[epoch 9/10] train_loss: 0.759 val_acc: 0.755
[epoch 10/10] train_loss: 0.732 val_acc: 0.687
Best acc: 0.755
Finished Training
Train 耗时为：440.4s

使用预训练模型参数训练结果

[epoch 1/10] train_loss: 0.505 val_acc: 0.909
[epoch 2/10] train_loss: 0.306 val_acc: 0.931
[epoch 3/10] train_loss: 0.240 val_acc: 0.920
[epoch 4/10] train_loss: 0.209 val_acc: 0.898
[epoch 5/10] train_loss: 0.191 val_acc: 0.931
[epoch 6/10] train_loss: 0.198 val_acc: 0.918
[epoch 7/10] train_loss: 0.152 val_acc: 0.940
[epoch 8/10] train_loss: 0.157 val_acc: 0.929
[epoch 9/10] train_loss: 0.143 val_acc: 0.940
[epoch 10/10] train_loss: 0.150 val_acc: 0.923
Best acc: 0.940
Finished Training
Train 耗时为：478.8s

上一篇：ResNet
下一篇：Mobile Net 系列
 完整代码

何如千泷

关注

33
点赞
踩
287

收藏

觉得还不错? 一键收藏
12
评论
【论文阅读】DenseNet网络结构详解及代码复现

1. DenseNet论文详解Abstract:如果在靠近输入和靠近输出层之间包含更短的连接，那么卷积神经网络可以很大程度上更深，更准确和高效地进行训练。根据这一结果，我们提出了DenseNet（密集卷积网络）: 对于每一层，所有前一层地特征图作为输入，而这一层地特征图用作所有后续层地输入。优势有：缓解了梯度消失问题，加强了特征传播，鼓励特征复用，并很大程度上减小了参数的数量。1.1. Introduction随着卷积神经网络的不断加深，出现了一个问题——关于输入或梯度在经过很多层到达网络的终点（.
复制链接

扫一扫

专栏目录