A mixed-scale dense convolutional neural network for image analysis
Published in PNAS on December 26, 2017
Available at PNAS Online: https://doi.org/10.1073/pnas.1715832114
Danie ?l M. Pelt and James A. Sethian
写在前面：本文方法无法使用TensorFlow或Caffe等现有框架实现。
粗略总结一下：
贡献：
提出一种新的神经网络（基于空洞卷积和密集连接），能够在分割任务上以参数更少更好训练的网络取得更好的效果。
细节：
本质上仍然是pixel-pixel的分割，但是没有上采样过程。
每个layer中不同的channel使用不同的dilation。
从输入到输出，每个layer的尺寸均相同，便于密集连接，也就是说前面所有层的所有通道均可用在当前运算中。作者认为这样的处理可以最大化重用现有的特征图。
所有层使用3*3的空洞卷积，末层使用1*1卷积（相当于末层是前面所有层的所有通道的线性组合）。
每个layer的通道数相同设为w，隐层数量假设为d，作者举例说明了网络连接方法，如下图：
优点：
训练快速，参数少，过拟合风险小。
缺点：
无法使用现有框架快速搭建实现。
【论文阅读】A mixed-scale dense convolutional neural network for image analysis
原文地址：https://www.cnblogs.com/xiangfeidemengzhu/p/8954638.html