密集连接卷积网络
计算机视觉与模式识别
2018-01-30 v5 机器学习
摘要
近期研究表明，如果卷积网络在靠近输入的层与靠近输出的层之间包含更短的连接，那么网络可以显著地更深、更准确且训练更高效。在本文中，我们采纳了这一观察并引入了密集卷积网络（DenseNet），该网络以前馈方式将每一层连接到其他所有层。传统的具有L层的卷积网络有L个连接——每层与其后续层之间各有一个连接——而我们的网络有L(L+1)/2个直接连接。对于每一层，所有前面层的特征图都被用作输入，而其自身的特征图则被用作所有后续层的输入。DenseNet具有几个引人注目的优点：它们缓解了梯度消失问题，加强了特征传播，鼓励了特征复用，并显著减少了参数数量。我们在四个极具竞争力的物体识别基准任务（CIFAR-10、CIFAR-100、SVHN和ImageNet）上评估了我们提出的架构。DenseNet在其中大多数任务上相较于现有最优技术取得了显著提升，同时需要更少的计算量来实现高性能。代码和预训练模型可在https://github.com/liuzhuang13/DenseNet获取。
引用
@article{arxiv.1608.06993,
title = {Densely Connected Convolutional Networks},
author = {Gao Huang and Zhuang Liu and Laurens van der Maaten and Kilian Q. Weinberger},
journal= {arXiv preprint arXiv:1608.06993},
year = {2018}
}
备注
CVPR 2017