DenseNet-阅读理解-笔记
2017-12-08 17:01
330 查看
论文:Densely Connected Convolutional Networks
翻译:-.-
理解参考:http://blog.csdn.net/u012938704/article/details/53468483
https://zhuanlan.zhihu.com/p/28859470
http://blog.csdn.net/u014380165/article/details/75142664
核心技术,创新点:
DenseBlock
在一个DenseBlock中,每一层的输入来自与前面所有层的输出.
从而达到有效利用feature,加强feature传递,减轻梯度消失的作用.从而使得网络的深度可以更加的深.
DenseBlock同时具有网络更窄,参数更少的特点
ResNet:xl=Hl(xl−1)+xl−1
DenseNet:xl=Hl([x0,x1,x2......,xl−1])
完整的DenseNet结构图:
实际使用的每个layer的参数
Bottleneck Layer(BN layer)
即每个3x3的layer前的1x1layer,作用是减少输入的feature map数量(维度?),既能降维减少计算量,又能融合各个通道的特征.
Transition Layer
每两个Dense Block之间的1x1layer即为Transition Layer,作用是降维
突出贡献:
建立了不同层之间的直接连接关系,充分的利用了每一步得到的feature,进一步减轻了梯度消失问题,使得网络可以非常非常深,同时精确度不会下降,减少输入的feature map数量,既能降维减少计算量,又能融合各个通道的特征
翻译:-.-
理解参考:http://blog.csdn.net/u012938704/article/details/53468483
https://zhuanlan.zhihu.com/p/28859470
http://blog.csdn.net/u014380165/article/details/75142664
核心技术,创新点:
DenseBlock
在一个DenseBlock中,每一层的输入来自与前面所有层的输出.
从而达到有效利用feature,加强feature传递,减轻梯度消失的作用.从而使得网络的深度可以更加的深.
DenseBlock同时具有网络更窄,参数更少的特点
ResNet:xl=Hl(xl−1)+xl−1
DenseNet:xl=Hl([x0,x1,x2......,xl−1])
完整的DenseNet结构图:
实际使用的每个layer的参数
Bottleneck Layer(BN layer)
即每个3x3的layer前的1x1layer,作用是减少输入的feature map数量(维度?),既能降维减少计算量,又能融合各个通道的特征.
Transition Layer
每两个Dense Block之间的1x1layer即为Transition Layer,作用是降维
突出贡献:
建立了不同层之间的直接连接关系,充分的利用了每一步得到的feature,进一步减轻了梯度消失问题,使得网络可以非常非常深,同时精确度不会下降,减少输入的feature map数量,既能降维减少计算量,又能融合各个通道的特征
相关文章推荐
- GoogLeNet-阅读笔记-理解
- ResNet-论文阅读理解-笔记
- 深入理解java虚拟机阅读笔记四:java代码编译和执行过程
- 2016-02-22-阅读笔记:理解矩阵 + NFS + google perf tools
- 深入理解网络技术内幕 阅读笔记(二)
- 深入理解 C 指针阅读笔记 -- 第五章
- 阅读笔记常见的设计模式之三:备忘录模式的简单理解
- Faster RCNN-阅读理解-笔记
- 深入理解网络技术内幕 阅读笔记(三)
- 深入理解 C 指针阅读笔记 -- 第一章
- 深入理解 C 指针阅读笔记 -- 第二章
- 深入理解JVM阅读笔记-对象引用
- 深入理解网络技术内幕 阅读笔记(一)
- 深入理解 C 指针阅读笔记 -- 第四章
- [阅读笔记]王坚:云计算和大数据你们都理解错了
- Java 类文件结构初探(16进制编码角度理解 阅读笔记)
- 深入理解计算机系统阅读笔记-优化程序性能
- 深入理解JVM阅读笔记-内存溢出小结
- 深入理解 C 指针阅读笔记 -- 第三章
- Java 类文件结构初探(16进制编码角度理解 阅读笔记)