CVPR2017 最佳论文——Densely Connected Convolutional Networks

深度连接卷积网络DenseNet详解
最新推荐文章于 2025-10-02 17:06:11 发布
原创 最新推荐文章于 2025-10-02 17:06:11 发布 · 1.5k 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

DenseNet是一种高效的卷积网络结构，通过密集连接各层特征图，提高了精度并减少了计算量。它包括DenseBlock、Bottleneck layer和Transfer layer等组件，性能与ResNet相当但参数更少。DenseNet在ImageNet分类任务中表现出色，适用于2D目标检测，特别是对多尺度和小目标检测。

综述：
2D目标检测目前精度上限代表 Inception-ResNet-v2,速度上限代表shufflenet/mobilenet-ssd，现在出来一个densenet，精度比肩ResNet,计算量又和Faster-RCNN相当，并且看结构可以推测其对多尺度、小目标检测效果应该不错

1.网络结构

这里写图片描述
这里写图片描述
这里写图片描述

  • dense connectivity：
    block内，之前的每一层输出的特征图，特征通道串联concatenate，作为下一层的输入；

最低0.47元/天 解锁文章
DenseNet:Densely Connected Convolutional Networks--CVPR2017最佳论文奖
冲出仁川，走出马德里，故事还会再继续
08-23 1605
DenseNet:以前馈方式将每一层连接到其他每一层。对于具有L层的传统卷积网络有L个连接(每一层与其后续层之间有一个连接)，而DenseNet有L(L+1)2\frac{L(L+1)}{2}2L(L+1)​个连接。  对于每一层，所有前面层的特征图都被用作输入，它自己的特征图被用作所有后续层的输入。  DenseNet有几个引人注目的优势：  在本文中，我们提出了一种架构，将这种见解提炼成一个简单的连接模式：为了确保网络中各层之间的最大信息流，我们将所有层（具有匹配的特征图大小）直接相互连接。为了保持
Densely connected convolutional networks（密集连接的卷积网络）
热门推荐
分享日常的学习，开展的项目，编写的软件，解决的问题等~
02-05 1万+
本文是 CVPR 2017 论文 Densely connected convolutional networks. 的翻译学习，因为作者本人水平有限，如有不准确的地方还望读者不吝赐教。 摘要 最近的工作表明，卷积网络如果在靠近输入的层和靠近输出的层之间包含较短的连接，就可以更深入，更准确，更有效地进行训练。我们认同这个观察结果，并引入密集卷积网络（DenseNet），该网络以前馈的方式将每一...
【DenseNet】《Densely Connected Convolutional Networks》
bryant_meng
04-20 833
CVPR-2017 best paper award 在 CIFAR-10 上的小实验可以参考博客【Keras-DenseNet】CIFAR-10 文章目录1 Motivation2 Advantages3 Architecture3.1 Dense connectivity3.2 Composite function3.3 Pooling layers3.4 Growth rate3.5 ...
ShuffleNet v2：改进轻量化结构
最新发布
10-02 1118
ShuffleNet v2深度解析：从理论到实践的高效网络设计 本文深入剖析了ShuffleNet v2的核心创新与设计理念。针对ShuffleNet v1存在的"FLOPs低但实际速度慢"问题，v2版本提出了四条黄金准则：通道均衡、减少碎片化操作、控制元素级操作、降低内存访问成本。通过创新的Channel Split机制和优化后的Shuffle单元，v2实现了更高效的硬件并行计算。网络结构采用三阶段设计，包含输入预处理、主体Shuffle单元堆叠和输出分类模块。虽然v2在轻量化方面表现
Densely Connected Convolutional Networks(DenseNet)
u011576009的博客
09-15 1087
DenseNet详解
[paper note] Densely Connected Convolutional Networks
chn13的博客
12-13 1088
paper note of Densely Connected Convolutional Networks
(DenseNet)Densely Connected Convolutional Networks
YoGooooooooooo的博客
08-19 484
文章从一个新的角度去提高卷积神经网络效果，之前两种方案一种是加深网络，ResNet使得这一方向更加可行（解决了梯度消失）一种是增加网络的宽度，增加神经元的数量。paper作者采用了另一种方案，通过对特征的深刻利用来提升效果，并且使得参数更少
精选资源
论文阅读——DenseNet:Densely Connected Convolutional Networks
01-06
Densely Connected Convolutional Networks code 时间：2017(CVPR 2017 BestPaper) DenseNet将前面层所有输出均作为后面层的输入，传统的L层CNN只有L个前后层连接，DenseNet有L（L+1）/2的连接，前面层所有的feature...
CVPR2017：密集连接的卷积网络DenseNet《Densely Connected Convolutional Networks》
要相信光
01-28 5240
DenseNet论文阅读
【翻译】Densely Connected Convolutional Networks
jokerwu192的博客
12-17 334
目录摘要1.介绍2.相关工作3.DenseNets4.实验4.1.数据集4.2.训练4.3.CIFAR and SVHN的分类结果4.4.ImageNet的分类结果5.讨论6.结论 论文：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8099726 摘要   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更短的连接，则它们可以更深入、更准确、更有效地进行训练。在本文中，我们接受了这一观察并介绍了密集卷积网络(Den
网络模型--Densely Connected Convolutional Networks
AI小作坊 的博客
07-25 5361
Densely Connected Convolutional Networks CVPR2017 best paper Code: https://github.com/liuzhuang13/DenseNet本文受到 ResNet] and Highway Networks 的启发： bypass signal from one layer to the next via identi
DenseNet
Mihu_Tutu的博客
10-23 345
原文地址： Densely Connected Convolutional Networks 文章详解： 这篇文章是CVPR2017的oral，非常厉害。文章提出的DenseNet（Dense Convolutional Network）主要还是和ResNet及Inception网络做对比，思想上有借鉴，但却是全新的结构，网络结构并不复杂，却非常有效！众所周知，最近一两年卷积神经网络提高效果的方向...
Densely Connected Convolutional Networks
qq_52302919的博客
02-06 1967
论文链接：https://arxiv.org/abs/1608.06993 一、论文介绍： 在本文中，作者提出了一种架构：为了确保网络中各层之间的最大信息流，将所有层(具有匹配的特征图大小)直接相互连接。为了保持前馈特性，每一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给随后的所有层。
2017 CVPR会议获奖论文精选及解析
2. Densely Connected Convolutional Networks - 该论文介绍了密集连接卷积网络（DenseNet），它通过每一层都与前面所有层建立连接的模式，加强了特征的传递和重用，减少了网络参数，提高了性能。 - DenseNet的...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值