要約
最近の研究では、入力層に近い層と出力層に近い層との間で短い接続を持つ場合、畳み込みネットワークは大幅に深くなり、より正確かつ効率的に学習できることが示されています。本論文では、この観察に基づき、各層を順方向に他のすべての層と接続する「Dense Convolutional Network（DenseNet）」を導入します。従来のL層の畳み込みネットワークがL個の接続（各層とその次の層との間）を持つ一方で、私たちのネットワークはL(L+1)/2個の直接的な接続を持ちます。各層において、それ以前のすべての層の特徴マップが入力として使用され、その自身の特徴マップはその後续するすべての層への入力として使用されます。DenseNetsにはいくつか魅力的な利点があります：勾配消失問題を緩和し、特徴伝播を強化し、特徴再利用を促進し、パラメータ数を大幅に削減します。私たちは提案したアーキテクチャを4つの競争力のある高いオブジェクト認識ベンチマークタスク（CIFAR-10, CIFAR-100, SVHN, およびImageNet）で評価しました。DenseNetsはこれらのタスクの大半で最先端技術を超える有意な改善を達成しており、高い性能を得るためには少ない計算量が必要です。コードと事前学習済みモデルは https://github.com/liuzhuang13/DenseNet から入手可能です。