目录
● Dense Block● DenseNet 结构
● DenseNet 的优势
● CIFAR & SVHN 小规模数据集结果
● ImageNet 大规模数据集结果
● 特征复用的进一步分析
Dense Block
在Standard ConvNet中，输入图像经过多次卷积，得到高层次特征。
在ResNet中，提出了恒等映射（identity mapping）来促进梯度传播，同时使用使用 element 级的加法。它可以看作是将状态从一个ResNet 模块传递到另一个ResNet 模块的算法。
在 DenseNet 中，每个层从前面的所有层获得额外的输入，并将自己的特征映射传递到后续的所有层，使用级联方式，每一层都在接受来自前几层的“集体知识（collective knowledge）”。
由于每个层从前面的所有层接收特征映射，所以网络可以更薄、更紧凑，即信道数可以更少。增长速率k是每个层的附加信道数。
因此，它具有较高的计算效率和存储效率。下图显示了前向传播中级联的概念：
DenseNet 结构
1. 基础 DenseNet 组成层
对于每个组成层使用 Pre-Activation Batch Norm (BN) 和 ReLU，然后用k通道的输出特征映射进行 3×3 卷积，例如，将x0、x1、x2、x3转换为x4。这是 Pre-Activation ResNet 的想法。
2. DenseNet-B (Bottleneck 层)
为了降低模型的复杂度和规模，在BN-ReLU-3×3 conv之前进行了BN-ReLU-1×1 conv.
3. 具有转换层（transition layer）的多Dense块
采用1×1 Conv和2×2平均池化作为相邻 dense block 之间的转换层。
特征映射大小在 dense block 中是相同的，因此它们可以很容易地连接在一起。
在最后一个 dense block 的末尾，执行一个全局平均池化，然后附加一个Softmax分类器。
4. DenseNet-BC (进一步压缩)
如果 Dense Block 包含m个特征映射，则转换层（transition layer）生成 θm 输出特征映射，其中 0<θ≤1 称为压缩因子。
当θ=1时，跨转换层的特征映射数保持不变。在实验中，θ<1的 DenseNet 称为 DenseNet-C，θ=0.5。
当同时使用 bottleneck 和 θ<1 时的转换层时，该模型称为 DenseNet-BC 模型。
最后，训练 with/without B/C 和不同L层和k生长速率的 DenseNet。
DenseNet的优势
1.强梯度流
误差信号可以更直接地传播到早期的层中。这是一种隐含的深度监督，因为早期的层可以从最终的分类层直接获得监督。
2. 参数和计算效率
对于每个层，RetNet 中的参数与c×c成正比，而 DenseNet 中的参数与1×k×k成正比。
由于 k<<C, 所以 DenseNet 比 ResNet 的size更小。
3. 更加多样化的特征
由于 DenseNet 中的每一层都接收前面的所有层作为输入，因此特征更加多样化，并且倾向于有更丰富的模式。
4. 保持低复杂度特征
在标准ConvNet中，分类器使用最复杂的特征。
在 DenseNet 中，分类器使用所有复杂级别的特征。它倾向于给出更平滑的决策边界。它还解释了为什么 DenseNet 在训练数据不足时表现良好。
CIFAR & SVHN 小规模数据集结果
1. CIFAR-10
详细比较Pre-Activation ResNet。
数据增强（C10+），测试误差：
● Small-size ResNet-110: 6.41%● Large-size ResNet-1001 (10.2M parameters): 4.62%
● State-of-the-art (SOTA) 4.2%
● Small-size DenseNet-BC (L=100, k=12) (Only 0.8M parameters): 4.5%
● Large-size DenseNet (L=250, k=24): 3.6%
无数据增强（C10），测试误差：
● Small-size ResNet-110: 11.26%● Large-size ResNet-1001 (10.2M parameters): 10.56%
● State-of-the-art (SOTA) 7.3%
● Small-size DenseNet-BC (L=100, k=12) (Only 0.8M parameters): 5.9%
● Large-size DenseNet (L=250, k=24): 4.2%
在 Pre-Activation ResNet 中出现严重的过拟合，而 DenseNet 在训练数据不足时表现良好，因为DenseNet 使用了复杂的特征。
左：DenseNet-BC获得最佳效果。
中：Pre-Activation ResNet 已经比 alexnet 和 vggnet 获得更少的参数，DenseNet-BC(k=12)的参数比 Pre-Activation ResNet 少3×10，测试误差相同。
右：与 Pre-Activation ResNet-1001有10.2m参数相比，0.8参数的DenseNet-BC-100具有相似的测试误差。
2. CIFAR-100
CIFAR-100类似的趋势如下：
3. 具体结果
SVHN是街景房屋编号的数据集。蓝色代表最好的效果。DenseNet-BC不能得到比基本 DenseNet 更好的结果，作者认为SVHN是一项相对容易的任务，非常深的模型可能会过拟合。
ImageNet 大规模数据集结果
左：20M参数的DenseNet-201与大于40M参数的ResNet-101产生类似的验证错误。
右：相似的计算次数趋势(GOLOPS)。
底部：DenseNet-264(k=48)最高误差为20.27%，前5误差为5.17%。
特征复用的进一步分析
● 转换层的权重也分布在前面的所有层中。
● 第二和第三dense block内的各层一贯地将最小权重分配给转换层的输出。(第一行)
● 在最终分类层，权重似乎集中在最终feature map上。一些更高级的特性在网络中产生得很晚。
原文发布时间为：2018-11-26
本文作者：Xiaowen
本文来自云栖社区合作伙伴“专知”，了解相关信息可以关注“专知”。
</div>