DenseNet解讀
Densely Connected Convolutional Networks ,作者清華姚班的劉壯,獲得cvpr 2017 best paper。非常值得閱讀。
DenseNet優勢:
(1)解決了深層網絡的梯度消失問題
(2)加強了特徵的傳播
(3)鼓勵特徵重用
(4)減少了模型參數
DenseNet的網絡基本結構如上圖所示,主要包含DenseBlock和transition layer兩個組成模塊。其中Dense Block爲稠密連接的highway的模塊,transition layer爲相鄰2個Dense Block中的那部分。
上圖是一個詳細的Dense Block模塊,其中層數爲5,即具有5個BN+Relu+Conv(3*3)這樣的layer,網絡增長率爲4,簡單的說就是每一個layer輸出的feature map的維度爲4。
這裏,由於DenseNet的每一個Dense Block模塊都利用到了該模塊中前面所有層的信息,即每一個layer都和前面的layer有highway的稠密連接。假設一個具有L層的網絡,那麼highway稠密連接數目爲L*(L+1)/2。
和Resnet不同的是,這裏的連接方式得到的feature map做的是concat操作,而resnet中做的是elementwise操作。
其中ResNet的非線性變換方程如下:
DensNet的非線性變換方程如下:
highway的稠密連接方式具有諸多的優勢,增加了梯度的傳遞,特徵得到了重用,甚至減少了在小樣本數據上的過擬合。但是隨之產生2個缺點。
(1) 這裏假設第L層輸出K個feature map,即網絡增長率爲K,那麼第L層的輸入爲K0+K*(L-1),其中K0爲輸入層的維度。也就是說,對於Dense Block模塊中每一層layer的輸入feature map時隨着層數遞增的,每次遞增爲K,即網絡增長率。那麼這樣隨着Dense Block模塊深度的加深,後面的輸入feature map的維度是很大的。爲了解決這個問題,在Dense Block模塊中加入了Bottleneck 單元,即1*1卷積進行降維,輸出維度都被降到4K維(K爲增長率)。
(2) 每一個DenseBlock模塊的輸出維度是很大的,假設一個L層的Dense Block模塊,假設其中已經加入了Bottleneck 單元,那麼輸出的維度爲,第1層的維度+第2層的維度+第3層的維度+******第L層的維度,加了Bottleneck單元后每層的輸出維度爲4K,那麼最終Dense Block模塊的輸出維度爲4K*L。隨着層數L的增加,最終輸出的feature map的維度也是一個很大的數。爲了解決這個問題,在transition layer模塊中加入了1*1卷積做降維。
文章同時提出了DenseNet,DenseNet-B,DenseNet-BC,三種結構,具體區別如下:
原始DenseNet:
Dense Block模塊:BN+Relu+Conv(3*3)+dropout
transition layer模塊:BN+Relu+Conv(1*1)(filternum:m)+dropout+Pooling(2*2)
DenseNet-B:
Dense Block模塊:BN+Relu+Conv(1*1)(filternum:4K)+dropout+BN+Relu+Conv(3*3)+dropout
transition layer模塊:BN+Relu+Conv(1*1)(filternum:m)+dropout+Pooling(2*2)
DenseNet-BC:
Dense Block模塊:BN+Relu+Conv(1*1)(filternum:4K)+dropout+BN+Relu+Conv(3*3)+dropout
transition layer模塊:BN+Relu+Conv(1*1)(filternum:θm,其中0<θ<1,文章取θ=0.5)+dropout+Pooling(2*2)
其中,DenseNet-B在原始DenseNet的基礎上,在Dense Block模塊中加入了1*1卷積,使得將每一個layer輸入的feature map都降爲到4k的維度,大大的減少了計算量。
DenseNet-BC在DenseNet-B的基礎上,在transitionlayer模塊中加入了壓縮率θ參數,論文中將θ設置爲0.5,這樣通過1*1卷積,將上一個Dense Block模塊的輸出feature map維度減少一半。
DenseNet-BC的網絡結構參數如下,其中網絡增長率K=32,conv 代表BN-ReLU-Conv
在ImageNet上DenseNet-BC和ResNet對比如下
可以看出,DenseNet-BC比ResNet參數量要少,運算量也少,準確性高。
References:
https://github.com/liuzhuang13/DenseNet
https://github.com/liuzhuang13/DenseNetCaffe