Réseaux de Neurones Convolutionnels Densement Connectés

Des travaux récents ont démontré que les réseaux convolutionnels peuvent être considérablement plus profonds, plus précis et efficaces à entraîner s'ils contiennent des connexions plus courtes entre les couches proches de l'entrée et celles proches de la sortie. Dans cet article, nous adoptons cette observation et introduisons le Dense Convolutional Network (DenseNet), qui connecte chaque couche à toutes les autres couches de manière feed-forward. Alors que les réseaux convolutionnels traditionnels avec L couches ont L connexions - une entre chaque couche et sa couche suivante - notre réseau possède L(L+1)/2 connexions directes. Pour chaque couche, les cartes de caractéristiques de toutes les couches précédentes sont utilisées comme entrées, et ses propres cartes de caractéristiques sont utilisées comme entrées pour toutes les couches suivantes. Les DenseNets présentent plusieurs avantages importants : ils atténuent le problème du gradient qui disparaît, renforcent la propagation des caractéristiques, encouragent la réutilisation des caractéristiques et réduisent considérablement le nombre de paramètres. Nous évaluons notre architecture proposée sur quatre tâches de reconnaissance d'objets très compétitives (CIFAR-10, CIFAR-100, SVHN et ImageNet). Les DenseNets obtiennent des améliorations significatives par rapport à l'état de l'art sur la plupart d'entre elles, tout en nécessitant moins de calcul pour atteindre des performances élevées. Le code et les modèles pré-entraînés sont disponibles sur https://github.com/liuzhuang13/DenseNet.