Densely Connected Convolutional Networks 密集连接卷积网络

最新推荐文章于 2025-04-27 10:51:29 发布

原创

最新推荐文章于 2025-04-27 10:51:29 发布 · 1.6k 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络 #卷积 #深度学习 #卷积神经网络 #pytorch

什么是DenseNet？

DenseNet是由清华大学的Zhuang Liu、康奈尔大学的Gao Huang和Kilian Q.Weinberger，以及Facebook研究员Laurens van der Maaten在CVPR 2017所作，并且还获得了2017CVPR最佳论文！下面我们就来看看DenseNet是何方神圣吧。

我们知道，当靠近输入的层和靠近输出的层之间的连接越短，卷积神经网络就可以做得更深，精度更高且可以更加有效的训练。而DenseNet在此基础上将每一层与之前所有层相连接。传统的L层卷积神经网络有L个连接——位于每一层和其后一层之间—，而我们的神经网络有L*(L+1)/2个直接链接。对于每一层，其输入的特征是之前所有的层，而它自己的特征图作为之后所有层的输入。

下图展示了具体的密集连接方式：

DenseNet有以下几个引人注目的优点：缓解梯度消失问题，加强特征传播，鼓励特征复用，极大的减少了参数量。DenseNets需要更少的计算来实现高性能。

ResNet

训练深层的神经网络，会遇到梯度消失和梯度爆炸（vanishing/exploding gradients）的问题，影响了网络的收敛，但是这很大程度已经被标准初始化（normalized initialization）和BN（Batch Normalization）所处理。

当深层网络能够开始收敛，会引起网络退化（degradation problem）问题，即随着网络深度增加，准确率会饱和，甚至下降。这种退化不是由过拟合引起的，因为在适当的深度模型中增加更多的层反而会导致更高的训练误差。
ResNet就通过引入深度残差连接来解决网络退化的问题，建立前面层与后面层之间的短链接（shortcuts），从而解决深度CNN模型难训练的问题。

具体表达式如下:
在这里插入图片描述
在ResNet中前面层与后面层建立的短链接（shortcuts）方式是add相加操作，因此要求输入与输出的shape完全一样！这主要是由ResNet结构中的Identity Block来完成的，更大程度地去加深网络的深度，实现了深度残差网络。但是add操作可能会阻碍网络中的信息流。

DenseNets和Resnet之间的主要区别，DenseNets通过特征重用来挖掘网络的潜力，产生易于训练且参数效率高的精简模型。将不同层学习到的特征映射进行堆叠操作，可以增加后续层的输入变化，并提高效率。

DenseNet

DenseNet的整体网络架构如下图所示：

一个有三个Dense Block的DenseNet网络。每个Dense Block中含有多个conv blocks，conv blocks中特征图的高度和宽度不发生变化，进行的是通道数的变化。两个相邻Dense Block之间的层称为Transition Layer过渡层，通过卷积和池化改变特征图的大小。

Dense connectivity 紧密连接

为了进一步改善层与层之间的信息流，提出了一种不同的连接模式：引入从任何层到所有后续层的直接连接。正如上图所展示的那样，例如第l层接收前面所有层的特征映射，即x0,x1,…,xl-1作为输入：
在这里插入图片描述
H函数实现每层的非线性变换，主要由BN,Relu和3x3Conv组成，式中[x0,x1,…,xl-1]指的是第0,…,l-1层中生成的特征图进行串联。

Bottleneck layers

每一个Dense Block中的conv block经过H非线性输出k个特征图，但是它通常是输入特征图更多。因此在3x3卷积之前引入1x1卷积作为瓶颈层，以减少特征映射的数量，从而提高计算效率。

Growth rate

如果每个函数H生成k个特征映射，则第l层具有k0+k×(l-1)个输入特征映射，其中k0是输入的通道数。DenseNet与现有网络体系结构的一个重要区别是，DenseNet可以有非常窄的层，例如k=12。我们把超参数k称为网络的growth rate。相对较小的growth rate足以获得最新的结果。
实现代码为：

class Bottleneck(nn.Module):
    def __init__(self, nChannels, growthRate):
        super(Bottleneck, self).__init__()
        interChannels = 4*growthRate
        # 瓶颈结构1x1卷积减少输入的通道数
        self.bn1 = nn.BatchNorm2d(nChannels)
        self.conv1 = nn.Conv2d(nChannels, interChannels, kernel_size=1,bias=False)
        # H函数实现非线性输出BN+Relu+BN
        self.bn2 = nn.BatchNorm2d(interChannels)
        self.conv2 = nn.Conv2d(interChannels, growthRate, kernel_size=3,padding=1, bias=False)

    def forward(self, x):
        out = self.conv1(F.relu(self.bn1(x)))
        out = self.conv2(F.relu(self.bn2(out)))
        out = torch.cat((x, out), 1)
        return out

Pooling layers 池化层

当特征映射的大小发生变化时，上面式子中使用的连接操作是不可行的。然而，卷积网络的一个重要组成部分是向下采样层来改变特征映射的大小。因此在Dense Block之间添加Transition Layer来进行特征图大小的压缩，而Transition Layer主要由一个1x1卷积块以及步长为2的AveragePooling2D来进行特征图大小压缩。

Compression 压缩

为了进一步提高模型的紧凑性，在Transition Layer中减少特征映射的数量。如果一个Desne Block中包含m个特征映射，在Transition Layer中生成的特征图数量为θm，其中0<θ≤1被称为压缩因子。当θ=1时，Transition Layer的特征图数量保持不变，论文中将θ设置为0.5。
Transition Layer实现代码如下：

# reduction即为压缩因子
nOutChannels = int(math.floor(nChannels*reduction))
class Transition(nn.Module):
    def __init__(self, nChannels, nOutChannels):
        super(Transition, self).__init__()
        self.bn1 =