DenseNet：密集连接卷积网络

论文：Densely Connected Convolutional Networks

众所周知，最近一两年卷积神经网络提高效果的方向，要么深（比如ResNet，解决了网络深时候的梯度消失问题）要么宽（比如GoogleNet的Inception），而作者则是从特征图入手，通过对特征图的极致利用达到更好的效果和更少的参数。

DenseNet的优点

在深度学习网络中，随着网络深度的加深，梯度消失问题会愈加明显，目前很多论文都针对这个问题提出了解决方案，比如ResNet，Highway Networks，Stochastic depth，FractalNets等，尽管这些算法的网络结构有差别，但是核心都在于：在前面的层和后面的层之间创建短路连接。那么作者是怎么做呢？延续这个思路，那就是——在保证网络中层与层之间最大程度的信息传输的前提下，直接将所有层连接起来。为了能够保证前馈的特性，每一层将之前所有层的输入进行拼接，之后将输出的特征图传递给之后的所有层。

先放一个dense block的结构图。在传统的卷积神经网络中，如果你有L层，那么就会有L个连接，但是在DenseNet中，会有L(L+1)/2个连接。与ResNets不同的是，DenseNets不是在特征传递给某一层之前将其进行相加（combine），而是将其进行拼接（concatenate）。因此，第 l 层有 l 个输入，这些输入是该层之前的所有卷积块（block）的特征图，而它自己的特征图则传递给之后的所有层。由于它的稠密连接模块，所以把这个方法称为稠密卷积网络（DenseNets）。如下图：x0是input，H1的输入是x0（input），H2的输入是x0和x1（x1是H1的输出）……

1. 减轻了vanishing-gradient（梯度消失）

这种连接方式使得特征和梯度的传递更加有效，网络也就更加容易训练。每一层都可以直接利用损失函数的梯度以及最开始的输入信息，相当于是一种隐形的深度监督（implicit deep supervision），这有助于训练更深的网络。前面提到过梯度消失问题在网络深度越深的时候越容易出现，原因就是输入信息和梯度信息在很多层之间传递导致的，而现在这种密集连接相当于每一层都直接连接输入和损失，因此就可以减轻梯度消失现象，这样构建更深的网络不是问题。

2. 加强了特征的传递，更有效地利用了特征

每层的输出特征图都是之后所有层的输入。

3. 一定程度上较少了参数数量

DenseNets的稠密连接模块（dense block）的一个优点是它比传统的卷积网络有更少的参数，因为它不需要再重新学习多余的特征图。传统的前馈结构可以被看成一种层与层之间状态传递的算法。每一层接收前一层的状态，然后将新的状态传递给下一层。它改变了状态，但也传递了需要保留的信息。ResNets将这种信息保留的更明显，因为它加入了自身变换（identity transformations）。最近很多关于ResNets的研究都表明ResNets的很多层是几乎没有起作用的，可以在训练时随机的丢掉。DenseNet结构中，增加到网络中的信息与保留的信息有着明显的不同。DenseNet的dense block中每个卷积层都很窄（例如每一层有12个滤波器），仅仅增加小数量的特征图到网络的“集体知识”（collective knowledge），并且保持这些特征图不变——最后的分类器基于网络中的所有特征图进行预测。

另外作者还观察到这种密集连接有正则化的效果，因此对于过拟合有一定的抑制作用，因为参数减少了，所以过拟合现象减轻。

DenseNets

假设一张图片 x0 在卷积网络中传播。网络共有 L 层，每一层都有一个非线性转换函数 $H_l$ （定义为三种操作的组合函数，分别是：BN、ReLU和卷积），其中 $l$ 表示第几层。用 $x_l$ 表示第 $l$ 层的输出。

传统的前馈网络是将 $l-1$ 层的输出 $x_{l-1}$ 作为 $l$ 层的输入，得到 $l$ 层的输出 $x_l$ ，可用该方程来表示： $x_l=H_l(x_{l-1})$

ResNets增加了一个跨层连接，将自身与非线性转换的结果相加： $x_l=H_l(x_{l-1})+x_{l-1}$ 所以对于ResNet而言， $l$ 层的输出是 $l-1$ 层的输出加上对 $l-1$ 层输出的非线性变换，这样可以直接将梯度从后层传向前层。然而，自身与经过 $H_l$ 得到的输出是通过求和的形式来连接的，这可能使网络中信息的传播受到影响。
DenseNets为了更好的改善层与层之间信息的传递，提出一种不同的连接模式：将该层与之后的所有层进行连接。因此， $l$ 层将之前所有层的特征图 $[x_0, x_1, ..., x_{l-1}]$ 作为输入： $x_l=H_l([x_0, x_1, ..., x_{l-1}])$ ，输入是之前所有特征图的拼接。而前面resnet是做值的相加，通道数是不变的。

所以从这两个公式就能看出DenseNet和ResNet在本质上的区别。

结构

前面的图表示的是dense block，而下面的图表示的则是一个DenseNet的结构图，在这个结构图中包含了3个dense block。作者将DenseNet分成多个dense block，原因是希望各个dense block内的feature map的size统一，这样在做concatenation就不会有size的问题。

增长速率k（growth rate）：Dense block中，如果每个层函数 $H_l$ 都产生 k 个特征图，那么第 $l$ 层就有 $k_0 + (l-1)k$ 个特征图作为输入，其中 k0 表示输入层的通道数。DenseNet和现存网络结构的一个很重要的不同是，DenseNet的网络很窄，如 k=12 。超参数 k 称为网络的增长速率。一个很小的增长速率在测试的数据集上就可以获得不错的效果，因为每一层都可以和它所在的block中之前的所有特征图进行连接，使得网络具有了“集体知识”（collective knowledge）。可以将特征图看作是网络的全局状态，每一层相当于是对当前状态增加 k 个特征图。增长速率控制着每一层有多少信息对全局状态有效。全局状态一旦被写定，就可以在网络中的任何地方被调用，而不用像传统的网络结构那样层与层之间的不断重复。

Bottleneck层：尽管每一层只产生 k 个输出特征图，但是根据dense block的设计，后面几层可以得到前面所有层的输入，因此拼接后的输入通道数还是比较大的。研究表明，每个dense block的中3x3的卷积之前加入1x1的卷积（就是所谓的bottleneck layer）可以减少输入的特征图数量，减小计算量，同时能融合各个通道的特征。将具有bottleneck层，即 BN-ReLU-Conv(1x1)-BN-ReLU-Conv(3x3) 的结构称为DenseNet-B。在论文中，令1x1的卷积生成 4k 个特征图。在每个Dense Block中都包含很多个子结构，以DenseNet-169的Dense Block（3）为例，包含32个1x1和3x3的卷积对，也就是第32个子结构的输入是前面31层的输出结果，每层输出的channel是 k=32。如果不做bottleneck操作，第 32 层的 3x3 卷积的输入就是31x32+(该Dense Block的输入channel)，近1000了。而加上1x1的卷积，1x1卷积的输出是 4k，也就是128，然后再作为3*3卷积的输入，大大减少了计算量。

过渡层（Translation Layer）：每两个dense block之间的层称为过渡层，完成卷积和池化的操作，目的是减小特征图的数量。过渡层由BN层、1x1卷积层和2x2平均池化层组成。如果一个dense block有 m 个特征图，我们让之后的过渡层生成 $\theta m$ 个输出特征图，其中 $\theta$ 表示压缩（compression）系数。定义 $\theta <1$ 的 DenseNet 为 DenseNet-C，实验中 $\theta=0.5$ 。如果bottleneck和过渡层都有 $\theta<1$ ，我们称该模型为DenseNet-BC。还是以DenseNet-169的Dense Block（3）为例，虽然第32层的 3x3 卷积输出channel只有32个，但是紧接着还会像前面几层一样有通道的拼接操作，即将第32层的输出和第32层的输入做拼接，前面说过第32层的输入是1000左右的channel，所以最后每个Dense Block的输出也是1000多的channel。因此经过过渡层压缩后，传给下一个dense block的时候channel数量就会减少一半，这就是过度层的作用。文中还用到dropout操作来随机减少分支，避免过拟合，毕竟 DenseNets 的连接确实多。

实现细节

在除了ImageNet外的所有数据集上，实验中使用的DenseNet都有三个dense block，每一个block都有相同的层数。在进入第一个dense block之前，输入图像先经过了16个（DenseNet-BC中是两倍的增长速率）卷积。对于3x3的卷积层，使用一个像素的零填充来保证特征图尺寸不变。在两个dense block之间的过渡层中，我们在2x2的平均池化层之后增加了1x1的卷积。在最后一个dense block之后，使用全局平均池化和softmax分类器。三个dense block的特征图的尺寸分别是32x32，16x16，8x8。

对于在ImageNet数据集上的实验，我们使用4个dense block的DenseNet-BC结构，图片的输入是224x224。最开始的卷积层有 2k（64）个卷积，卷积核是7x7，步长是2；其余所有层的特征图都设为 k 。在ImageNet数据集上的网络如下表所示：

实验结果

下表是在三个数据集（C10，C100，SVHN）上和其他算法的对比结果。ResNet就是kaiming He的论文，对比结果一目了然。DenseNet-BC的网络参数和相同深度的DenseNet 相比确实减少了很多。参数减少除了可以节省内存，还能减少过拟合。这里对于SVHN数据集，DenseNet-BC的结果并没有DenseNet(k=24)的效果好，作者认为原因主要是SVHN这个数据集相对简单，更深的模型容易过拟合。在表格的倒数第二个区域的三个不同深度 L 和 k 的DenseNet的对比可以看出随着 L 和 k 的增加，模型的效果是更好的。

下图是DenseNet-BC和ResNet在ImageNet数据集上的对比，左边那个图是参数复杂度和错误率的对比，可以在相同错误率下看参数复杂度，也可以在相同参数复杂度下看错误率，提升还是很明显的。右边是flops（可以理解为计算复杂度）和错误率的对比，同样有效果。

Figure4也很重要。左边的图表示不同类型DenseNet的参数和error对比。中间的图表示DenseNet-BC和ResNet在参数和error的对比，相同error下，DenseNet-BC的参数复杂度要小很多。右边的图也是表达DenseNet-BC-100只需要很少的参数就能达到和ResNet-1001相同的结果。

另外提一下DenseNet和stochastic depth的关系，在stochastic depth中，residual中的layers在训练过程中会被随机drop掉，其实这就会使得相邻层之间直接连接，这和DenseNet是很像的。

总结：

该文章提出的 DenseNet 核心思想在于建立了不同层之间的连接关系，充分利用了特征图，进一步减轻了梯度消失问题，加深网络不是问题，而且训练效果非常好。另外，利用 bottleneck layer，translation layer 以及较小的 growth rate 使得网络变窄，参数减少，有效抑制了过拟合，同时计算量也减少了。DenseNet 优点很多，而且在和ResNet的对比中优势还是非常明显的。