DenseNet：比ResNet更优的CNN模型

1. DenseNet & ResNet

在计算机视觉领域，卷积神经网络（CNN）已经成为最主流的方法，比如最近的GoogLenet，VGG-19，Incepetion等模型。CNN史上的一个里程碑事件是ResNet模型的出现，ResNet可以训练出更深的CNN模型，从而实现更高的准确度。ResNet模型的核心是通过建立前面层与后面层之间的“短路连接”（shortcuts，skip connection），这有助于训练过程中梯度的反向传播，从而能训练出更深的CNN网络。今天我们要介绍的是DenseNet模型，它的基本思路与ResNet一致，**但是它建立的是前面所有层与后面层的密集连接（dense connection），它的名称也是由此而来。DenseNet的另一大特色是通过特征在channel上的连接来实现特征重用（feature reuse）。**这些特点让DenseNet在参数和计算成本更少的情形下实现比ResNet更优的性能

DenseNet：即互相连接所有的层，具体来说就是每个层都会接受其前面所有层作为其额外的输入。

ResNet网络的短路连接机制（其中+代表的是元素级相加操作）：

• ResNet是每个层与前面的某层（一般是2~3层）短路连接在一起，连接方式是通过元素级相加。
  

DenseNet网络的密集连接机制（其中c代表的是channel级连接操作）：

• DenseNet中，每个层都会与前面所有层在channel维度上连接（concat）在一起（这里各个层的特征图大小是相同的，后面会有说明），并作为下一层的输入。
• 对于一个 L层的网络，DenseNet共包含 L*(L+1)/2个连接，相比ResNet，这是一种密集连接。而且DenseNet是直接concat来自不同层的特征图，这可以实现特征重用，提升效率，这一特点是DenseNet与ResNet最主要的区别。
  
  

2. DenseBlock+Transition的结构

CNN网络一般要经过Pooling或者stride>1的Conv来降低特征图的大小，而DenseNet的密集连接方式需要特征图大小保持一致。为了解决这个问题，DenseNet网络中使用DenseBlock+Transition的结构

• DenseBlock是包含很多层的模块，每个层的特征图大小相同，层与层之间采用密集连接方式。
• Transition模块是连接两个相邻的DenseBlock，并且通过Pooling使特征图大小降低。图4给出了DenseNet的网路结构，它共包含4个DenseBlock，各个DenseBlock之间通过Transition连接在一起。

3. 具体的网络节结构

3.1 DenseBlock

• DenseBlock中，各个层的特征图大小一致，可以在channel维度上连接。DenseBlock中的非线性组合函数 H(.) 采用的是BN+ReLU+3x3 Conv的结构
  (上图中每一根线对应了一个H（.）)
  

• 与ResNet不同，所有DenseBlock中各个层卷积之后均输出 得到的特征图的channel数为k ，或者说采用 k 个卷积核。k在DenseNet称为growth rate，这是一个超参数。一般情况下使用较小的 k（比如12），就可以得到较佳的性能。

3.2 DenseNet-B结构

• DenseNet-B结构
  假定输入层的特征图的channel数为 k0 ，那么 ** L层输入的channel数为 k0+k*(L-1) **，因此随着层数增加，尽管 k设定得较小，DenseBlock的输入会非常多，不过这是由于特征重用所造成的，每个层仅有k 个特征是自己独有的。

• DenseBlock内部可以采用bottleneck层来减少计算量，主要是原有的结构中增加1x1 Conv，如图7所示，即BN+ReLU+1x1 Conv+BN+ReLU+3x3 Conv，称为DenseNet-B结构 其中1x1 Conv得到4k 个特征图它起到的作用是降低特征数量，从而提升计算效率。
  

3.3 Transition层

ImageNet数据集上所采用的DenseNet结构:

https://zhuanlan.zhihu.com/p/37189203