🤵 Author ：Horizon John
✨ 编程技巧篇：各种操作小结
🎇 机器视觉篇：会变魔术 OpenCV
💥 深度学习篇：简单入门 PyTorch
🏆 神经网络篇：经典网络模型
💻 算法篇：再忙也别忘了 LeetCode
Dense Convolutional Network 就是熟知的 ，获得了 CVPR 2017年 的 Oral ；
对于每一层，前面所有层的特征映射作为输入，并将特征映射作为后续所有层的输入 ；
它缓解了 问题，加强了 ，鼓励了 ，并大大减少了 ；
🔗 论文地址：Densely Connected Convolutional Networks
卷积神经网络(CNN) 已经成为视觉的主要机器学习方法 ；
随着CNN 的不断发展，网络模型越来越深入，一个新的研究问题出现了：
是关于 通过许多层后，当它到达网络的末端（或开始）时，它可能会 ；
🚩 核心思想
基于此，作者提炼了一个简单的 连接模式 ：
为确保网络中各层之间的信息流动最大化，将所有层(具有匹配的特征图大小)直接连接起来 ；
每一层从所有前面的层获得额外的输入，并将自己的特征映射传递给所有后面的层 ；
在传统的 L层网络 中引入了 连接，而在 DenseNet 中引入了 连接 ！
以下是一个生长速率 k = 4 的 5层 dense block ，每一层都以前面所有的特征图作为输入：
这种连接模式与直觉相反的效果是：它需要的 参数量 比传统卷积网络 更少 ！
除了更好的 参数效率 外，DenseNet的一大优点是改进了整个 网络的信息流和梯度，这使得它们 易于训练 ！
具有 正则化效应 ，它减少了训练集规模较小的任务的 过拟合 现象 ；
DenseNet并没有从极 （如 ResNet）或极 （如 GoogLeNet）的架构中获取表征力，而是通过 来挖掘网络的潜力，产生 的压缩模型 ；
卷积网络传递每一层实现的非线性变换一般都定义一个 、、 或 等操作的复合函数 ；
在 DenseNet 中为三个连续操作的复合函数：，随后是 和 ；
输出结果：
版权声明：
本文来源网络，所有图片文章版权属于原作者，如有侵权，联系删除。
本文网址：https://www.mushiming.com/mjsbk/9532.html