什么是 DenseNet？

DenseNet（Densely Connected Convolutional Networks）是由黄高等人在2017年提出的一种卷积神经网络架构。 其核心思想是：每一层都直接与其前面所有层相连，将前面所有层的特征图作为当前层的输入。 这种“密集连接”机制有效缓解了梯度消失问题，增强了特征传播和重用，同时大幅减少了参数数量。

DenseNet 的核心优势

1. 特征重用：每一层都能访问前面所有层的特征，提升信息流动效率。
2. 参数效率高：相比传统CNN，DenseNet 使用更少的通道数即可达到相近甚至更好的性能。
3. 缓解梯度消失：密集的短路连接有助于梯度回传，使深层网络训练更稳定。
4. 正则化效果：密集连接具有隐式的正则化作用，减少过拟合风险。

典型应用场景

DenseNet 广泛应用于图像分类、目标检测、语义分割、医学影像分析等领域。 由于其高效的特征利用能力，在计算资源受限的设备（如移动端）上也表现出色。

相关资源

若您对 AI 模型或工具感兴趣，欢迎参考以下专题文章：