Redes Convolucionais Densamente Conectadas

Trabalhos recentes mostraram que redes convolucionais podem ser substancialmente mais profundas, mais precisas e eficientes para treinar se contiverem conexões mais curtas entre camadas próximas da entrada e aquelas próximas da saída. Neste artigo, abraçamos essa observação e introduzimos a Dense Convolutional Network (DenseNet), que conecta cada camada a todas as outras camadas em um formato feed-forward. Enquanto redes convolucionais tradicionais com L camadas têm L conexões — uma entre cada camada e sua subsequente — nossa rede tem L(L+1)/2 conexões diretas. Para cada camada, os mapas de características de todas as camadas anteriores são usados como entradas, e seus próprios mapas de características são usados como entradas em todas as camadas subsequentes. DenseNets têm diversas vantagens convincentes: eles aliviam o problema do gradiente que desaparece, fortalecem a propagação de características, incentivam o reuso de características e reduzem substancialmente o número de parâmetros. Avaliamos nossa arquitetura proposta em quatro tarefas altamente competitivas de reconhecimento de objetos (CIFAR-10, CIFAR-100, SVHN e ImageNet). DenseNets obtêm melhorias significativas sobre o estado da arte na maioria delas, enquanto requerem menos computação para alcançar alto desempenho. Código e modelos pré-treinados estão disponíveis em https://github.com/liuzhuang13/DenseNet.