DenseNet介绍

• DenseNet模型的基本思路与ResNet一致，但它建立的是前面所有层与后面层的密集连接（即相加变连结），它的名称也是由此而来。
• DenseNet的另一大特色是通过特征在通道上的连接来实现特征重用。这些特点让DenseNet的参数量和计算成本都变得更少了（相对ResNet），效果也更好了。
• ResNet解决了深层网络梯度消失问题，它是从深度方向研究的。宽度方向是GoogleNet的Inception。而DenseNet是从feature入手，通过对feature的极致利用能达到更好的效果和减少参数。
• DenseNet斩获CVPR 2017的最佳论文奖。

DenseNet网络结构

其网络结构中，于ResNet最主要的区别是：

• Resnet中，这一层的输入 等于 上一层的输入+经过卷积的输入，表达为： y=F(x) + x ，其中F(x)是x经过卷积操作后的输出。
• DenseNet中，这一层的输入 等于 前面所有层的输出进行concatenation，即为通道层面进行拼接，通道拼接后做卷积等操作便可以提取特征。输入表达为：y=[x0,x1,x2] ，其中x1是x0经过Dense Block输出的结果。

DenseNet优缺点

1、优点
（1）相比ResNet拥有更少的参数数量
参数减少，计算效率更高，效果更好（相较于其他网络）

（2）传播与预测都保留了低层次的特征
在以前的卷积神经网络中，最终输出只会利用最高层次的特征。而DenseNet实现特征重用，同时利用低层次和高层次的特征。

（3）旁路加强了特征的重用，导致直接的监督
因为每一层都建立起了与前面层的连接，误差信号可以很容易地传播到较早的层,所以较早的层可以从最终分类层获得直接的监督。

（4）网络更易于训练，并具有一定的正则化效果
（网上资料都有说这一句，但是我不太清楚他是怎么体现正则化效果的）

（5）缓解了梯度消失/爆炸和网络退化的问题
特征重用实现了梯度的提前传播，也至少保留了前面网络的能力，不至于变弱（最少也是个恒等变换）

缺点
由于需要进行多次Concatnate操作，数据需要被复制多次，显存容易增加得很快，需要一定的显存优化技术。因此在训练过程中，训练的时间要比Resnet作为backbone长很多。所以相对而言，ResNet更常用。

并且ResNet更加的简洁，变体也多，更加成熟，因此后来更多使用的是ResNet，但是DenseNet的思想贡献也是如今很常见的。