أظهرت الدراسات الحديثة أن شبكات التلافيف يمكن أن تكون أعمق بكثير، وأكثر دقة وكفاءة في التدريب إذا كانت تحتوي على اتصالات قصيرة بين الطبقات القريبة من المدخل والطبقات القريبة من المخرج. في هذا البحث، نحن نأخذ هذه الملاحظة بعين الاعتبار ونقدم شبكة التلافيف الكثيفة (DenseNet)، والتي تربط كل طبقة بكل طبقة أخرى بطريقة تغذية تقدمية. بينما تحتوي الشبكات التلافيفية التقليدية ذات L طبقات على L اتصالات - واحد بين كل طبقة والطبقة التي تليها - فإن شبكتنا تحتوي على L(L+1)/2 اتصال مباشر. بالنسبة لكل طبقة، يتم استخدام خرائط الميزات لجميع الطبقات السابقة كمدخلات، وخرائط الميزات الخاصة بها يتم استخدامها كمدخلات لجميع الطبقات اللاحقة. تتمتع شبكات DenseNet بعدة مزايا جذابة: فهي تخفف مشكلة الانحدار المتلاشي، وتقوّي نقل الميزات، وتشجع إعادة استخدام الميزات، وتقلل بشكل كبير من عدد المعاملات. قدمنا تقديرًا لمعمارتنا المقترحة في أربع مهام تنافسية للغاية لتمييز الأشياء (CIFAR-10، CIFAR-100، SVHN، وImageNet). حققت شبكات DenseNet تحسينات كبيرة على معظم هذه المهام بالمقارنة مع أفضل النتائج السابقة، بينما تتطلب حسابًا أقل لتحقيق الأداء العالي. يمكن الحصول على الرموز والنموذج المعَلم مسبقًا من الرابط https://github.com/liuzhuang13/DenseNet .