Please enable JavaScript.
Coggle requires JavaScript to display documents.
DenseNet(2016) (特点 (稠密连接(Densely Connect) (优点 (减轻了梯度弥散带来的问题
因为每一层都直连最后一层,…
DenseNet(2016)
特点
稠密连接(Densely Connect)
问题描述
从ResNets研究得到灵感当靠近输入的层和靠近输出的层之间的连接越短,卷积神经网络就可以做得更深,精度更高且可以更加有效的训练
-
步骤及原理
稠密连接数
concat前面来自不同层的特征图作为新一层的输入,所以连接有L*(L+1)/2层
非线性转化
问题描述
网络增长率。那么这样随着Dense Block模块深度的加深,后面的输入feature map的维度是很大的
描述
对输入进行非线性转化函数(non-liear transformation)操作。它是一个组合操作,其可能包括一系列的BN(Batch Normalization),ReLU,Pooling及Conv操作
解决方法
加入了Bottleneck 单元,即1*1卷积进行降维,输出维度都被降到4K维(K为增长率)
优点
减轻了梯度弥散带来的问题
因为每一层都直连最后一层
增强了特征的传播
之前的网络是层层学习而来,这种方式更像是一种状态算法,这种状态从一层传到下一层,每一层从它的前一层读取状态,并写入到后面的层。而稠密连接可以直接从所有的特征图中学习它需要哪些特征
鼓励特征重用
如图,因为第一、二个隐藏层的特征对输出是有用的,但是因为特征量和可承载的信息量成正比,第二个隐藏层在传统模型中就必须是可承载第一第二层的信息量,而稠密连接则可以分开承载,从而实现特征重用
大大减少了参数量
- 因为特征被重用了,所以参数量自然减少了
- 稠密连接可以自己学习成如图的连接,第二个隐藏层不一定需要第一个隐藏层的特征,而在传统的连接中则需要人为的增加模型宽度才能实现之个目标,模型会自适应到最适合的宽和深,从而减少了参数量
-
论文
Densely Connected Convolutional Networks