论文速读——DenseNet《Densely Connected

Dense Block

DenseNet主要是借鉴总结前人ResNet，Highway Networks，Stochastic depth，FractalNets等的思想，提出了一种新的网络层的连接方式——（每个DensNet Block中）每个网络层的输入都来自于（此DenseNet Block）前面所有层的输出feature map的合并，且与ResNet的跳跃连接的按位相加合并不同。ResNet是不同feature map的同一位置的数相加，但DenseNet是将所有跳跃连接的feature map通道合并，作为输入。

DenseNet的优点有：

• 1、与所有使用了skip connection结构的网络一样，减轻了梯度消失的烦恼；
• 2、使得特征传播更为有效，增加的特征的使用效率；
• 3、减少参数，有正则化减轻过拟合的作用。

现在的网络性能增加主要是朝着两个方向发展：加深（从AlexNet到VGG）或者加宽（GoogLeNet的inception结构等）。然而更有技术的方式应该是去研究如何改变网络结构，网络的连接方式，如ResNet就是改变了网络层之间的连接方式，很大程度解决了梯度传播的问题。DenseNet也是从网络连接方式上对网络性能进行了改进。

传统的神经网络一般都是相邻网络层之间相连，不想邻网络层之间没有连接。而ResNet对此进行了改进，增加了skip connection分支连接，而DenseNet可以看做是ResNet的加强版，一个Block中不止有一个skip connection，而是每两个网络之间都有连接，也即每两个不相邻的网络间都有skip connection。这样的好处是使得feature 得到了充分的利益。文章最开始的那个图，就是一个Dense Block。

一个普通的L层的网络层与层之间的连接数为L，但是在Dense Block中其连接数为(L+1)*L/2。在ResNet中跳跃连接层的输入的函数如下，其中相加为按位数字相加求和： ResNet中的残差函数 在DenseNet中每一层网络的的输入的函数如下： Dense Block连接输入函数
其中[x0，x1，... ]表示各层的feature map，这个函数的意思就是将各层输出的feature map的channel 合并，而不是像ResNet中那样相加求和。 与ResNet相似，DenseNet也是由多个Block组成的，每个Block中间通过一个transition layer连接，这个transition layer是用来降维及下采样的（1x1卷积用来降维，池化用来下采样）。由于transition layer 的输入feature map channels是前面一个Dense Block的所有层的feature map channel的总和，这使得每一层卷积层的channel可以设置得很小，不用像别的网络那样动辄几百上千。

总结一下感觉就像是ResNet的增强版吧，增强了每一层网络产生的feature的利用效率，有效缓解梯度消失，减少参数减轻过拟合，效果还是很好的。