今天终于有网络了，继续分享CVpaper9，也就是DenseNet，打扰了。^_^
最近的工作表明，如果卷积网络在靠近输入的层和靠近输出的层之间包含较短的连接，则可以进行更深入，更准确和有效的训练。在本文中，我们接受了这一观察，并介绍了密集卷积网络（DenseNet），该网络以前馈方式将每一层连接到其他每一层。具有L层的传统卷积网络具有L个连接（每一层与其后一层之间一个连接），而我们的网络具有L（L+1）/2个直接连接。对于每一层，所有先前层的特征图都用作输入，而其自身的特征图则用作所有后续层的输入。DenseNets具有几个引人注目的优势：它们减轻了消失的梯度问题，增强了特征传播，鼓励了特征重用，并大大减少了参数数量。我们在四个竞争激烈的对象识别基准测试任务（CIFAR10，CIFAR-，SVHN和ImageNet）上评估了我们提出的体系结构。DenseNets在大多数方面都获得了最先进的显着改进，同时需要较少的计算即可实现高性能。代码和预先训练的模型可在