[深度学习从入门到女装]DPN

本文深入解析了DPN(Dual Path Networks)的结构与原理,这是一种结合了ResNeXt和DenseNet优势的创新网络模型。DPN通过同时实现残差连接和密集连接,有效地提升了特征的复用和传递效率,展现了在图像识别任务上的优秀表现。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

论文地址:Dual Path Networks

 

DPN(Dual Path Networks)是将ResNeXtDenseNet融合到了一起

上图中(a)为ResNet的结构,(b)为DenseNet的结构,+为element-wise addition sum操作

(a)中可以看到,左边的矩形是网络的输入和输出,可以看到在每层是将网络的主干单独出来一个卷积分支,操作完后(element-wise addition)加到网络主干中

(b)中可以看到,左边的多边形是网络的输入和输出,可以看到每层是将网络的主干单独出来一个卷积分支,操作完后(concatenate)到网络主干中,这样之后所有的的输入都是由之前所有层的输出concatenate得到的,体现了dense的思想

 

上图中的(e)为DPN的结构,其中+为element-wise addition sum操作,~为split操作

(e)中可以看到,左边的矩形和多边形是网络的主干,也就是每层的输入输出,每层的输入经过1*1降维,3*3的group卷积操作,1*1的升维之后,得到的feature map对channel进行split,一部分加(element-wise addition sum)到矩形的主干道上形成residual操作,另一部分concatenate到多边形上形成dense操作,这样在下一层的输入的时候,输入的就是之前所有层的输出并且还利用上了residual,体现出了ResNeXt和DenseNet融合的思想

(d)是没有共享residual和dense的1*1卷积的操作流程

 

整个网络结构如上图所示,其中G为3*3卷积的分组数,(+k)为增加到denseNet上的channel数

 

参考:https://blog.youkuaiyun.com/u014380165/article/details/75676216/

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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