DenseNet架构中特征复用的探索
计算机视觉与模式识别
2018-06-07 v1
摘要
密集连接卷积网络（DenseNets）已被证明在图像分类任务上取得最先进结果，同时比竞争方法使用更少的参数与计算量。由于该架构中每一层都可完全访问之前所有层的特征图，网络得以摆脱重新学习先前有用特征的负担，从而缓解梯度消失问题。在本文中我们探讨如下问题：为获取特征复用的益处，在多大程度上必须连接所有先前层？为此，我们引入局部密集连接的概念，并给出证据表明，在固定网络容量下允许更高增长率的较少连接，能够实现更高效的特征复用并提升密集架构的准确率。
引用
@article{arxiv.1806.01935,
title = {Exploring Feature Reuse in DenseNet Architectures},
author = {Andy Hess},
journal= {arXiv preprint arXiv:1806.01935},
year = {2018}
}
备注
10 pages