一. 提出背景
CVPR2017 的 Best Paper，簡單大氣上檔次！
論文：Densely Connected Convolutional Networks 【點選下載下傳】
Caffe代碼：【Github】
受 Highway、ResNet 等算法思路的啟發，提出一種跨層的連接配接網絡，思路非常簡單，直接上圖：
二. 算法思路
作者這個提法比較大膽，每個層的 input 包括之前所有層的資訊，通過将前面N多個層的 Feature 組合起來，形成對特征更豐富的描述和判别。從思想上來講，是比較容易接受的，看一個完整的網絡結構圖：
這個網絡包含3個 Dense Block，中間通過 Convolution 和 Pooling 連接配接。
但是明顯這将帶來很大的計算量，我們來看作者是怎麼處理的？
由于每個Layer的輸入會比較多，是以可以減少每一層的 Channel 數量，Feature 使用率比較高，整體算下來，同樣的連接配接數量，會比 ResNet 的 Feature 更少，通過實驗對比，用一半的計算量達到了 ResNet 的效果。
三. 實驗結果
在CIFAR和SVHN資料集上的錯誤率：
和 ResNet 在 參數 和 浮點運算量 進行對比：
給總結吧，根據自己的了解，密集的網絡連接配接更能反映真實的人腦連接配接情況，更複雜的互聯方式也許還在路上，這應該就是留給我們的期待，越來越接近真理！