DenseNet算法详解

DenseNet的结构示意图：

DenseNet的连接方式更加粗暴：相互连接所有的层，每个层都会连接前面所有层作为额外的输入。

 

DenseNet网络的优点包括：

• 减轻了梯度消失
• 加强了feature的传递
• 更有效地利用了feature 
• 一定程度上较少了参数数量
• 一定程度上减轻了过拟合

下图是ResNet的连接方式：每个层与前面的某层shortcut元素级相加

下图是Dense的连接方式：每一层都与前面所有层concat在一起（各个层的特征图大小是一致的）。对于L层的网络，DenseNet共包含L(L+1)/2个连接，相比ResNet,这是非常密集的连接。使用concat可以起到特征重用的效果，提升效率，这是DenseNet和ResNet的主要区别

DenseNet的前向传播过程如下图所示：

特征图保持大小一致的问题

使用DenseBlock + Transition的结构；

1. DenseBlock是包含很多层的模块，每个特征图的大小相同；
2. Transition模块是连接两个相邻的DenseBlock,并通过Pooling降低特征图大小

该层包含一个1*1conv和2*2的avgpooling,结构为BN+ReLU+1x1 Conv+2x2 AvgPooling

网络实现细节问题

上图中的Convolution采用BN+Relu+3*3Conv的结构，注意：各个层卷积之后均输出k个特征图，k称为growth rate，是一个超参数；一般情况下使用较小的k（如12），既能得到很好的性能。所有的3*3卷积都采用padding=1的方式保证特征图大小不变

例如：假设输入层的channel数为k0,则L层输入channel数为k0+k(l-1)

对于层数较多，则后面层的输入会非常大的问题

1. DenseBlock内部可以采用bottleneck层来减少计算量，主要通过添加1*1conv,同时也就得再添加BN和Relu,这称为DenseNet-B结构
2. 
3. Transition中也可以压缩通道数， Transition层可以产生?? 个特征，其中θ?(0,1]称为压缩系数，对于使用bottleneck层的Denseblock结构和压缩系数小于1的Transition组合结构称为DenseNet-BC

结果

imageNet结构配置

 

图片来自：https://blog.csdn.net/xiaohu2022/article/details/85560788