【目标检测】40、DenseNet | 通过密集连接让信息实现层间最大流动的主干网络

论文：Densely Connected Convolutional Networks

代码：https://github.com/liuzhuang13/DenseNet

出处：CVPR2017 | 康奈尔大学 清华大学 Facebook

一、背景

越来越深的神经网络会带来梯度消失问题，ResNet 和 Highway Network 使用了恒等映射的方式，让网络都超过了 100 层且效果良好，也就是给梯度增加了一条高速路，可以顺畅的在浅层和深层之间传输。

但这些传输只能在前后两层之间传递，没有最大化信息传输，所以作者提出了 DenseNet。

DenseNet 挣脱了加深和加宽模型的思路，而是通过最大限度的特征重用和旁路的思想来提升网络效果。

二、方法

下图展示了一个 Dense block 内部的结构，一个 block 内部会有多个卷积层，每个卷积层的输入来自前面所有层的输出，前面所有层的特征输出会 concat 然后送入当前层。

Dense 连接只会在每个 Dense block 内部进行，不会进行跨 block 的 Dense 连接

DenseNet 的动机：让信息在网络中的所有层中传递最大化

DenseNet 的做法：在一个 block 内部（即特征图大小都相同），将所有的层都进行连接，即第一层的特征会直接传输给后面的所有层，后面的层会接受前面所有层的输出特征。如图 1 所示。

DenseNet 的特征是如何结合的：不像 ResNet 那样相加起来，而是 concat，所以越往后通道越多

DenseNet 的参数少的原因：DenseNet 的通道很少（如每层 12 个通道），且层浅

首先看一下 ResNet 的网络结构：每层接收上一层的特征输出和上一层的原始输出

然后再来看 DenseNet 的网络结构：每层接收前面所有层的特征输出，然后进行对应层的特征提取

• 特征处理函数 $H_l$：BN + ReLU + 3x3 conv
• transition layer：每两个 dense block 之间都会有传递层，该层由 BN+ 1x1 conv + 2x2 avg pooling 组成
• Growth rate：假设每层输出 k 个通道的特征，则第 $l$ 层就会有 $k_0+k\times (l-1)$ 个输入，$k_0$ 为最初输入层通道数。则将 k 称为 growth rate，且 DenseNet 的通道数很小（如 12）。
• Bottleneck layers：尽管 k 不大，但 concat 起来仍然不是一个小的数目，所以引入了一个 1x1 conv 作为 bottleneck layer 用于降低通道，称为 DenseNet-B (BN + ReLU + 3x3 conv- BN + ReLU + 3x3 conv)
• Compression：为了让模型更简洁，可以在 transition layer 来降低特征图个数，当输出通道小于输入通道时，被称为 DenseNet-C，实验的时候会降低一半的通道

DenseNet 的结构：

ResNet 的结构：

三、效果

DenseNet 的优点：

• 网络更窄，参数更少
• 旁路密集连接增加了特征的重用
• 信息流通最大化，训练简单
• 缓解了梯度消失的问题