Ang DenseNet ay isang uri ng convolutional neural network na gumagamit ng mga siksik na koneksyon sa pagitan ng mga layer, sa pamamagitan ng Dense Blocks, kung saan direktang ikinonekta namin ang lahat ng layer (na may tumutugmang laki ng feature-map) sa isa't isa.
Para saan ang DenseNet?
Maaari itong tingnan bilang mga algorithm na may state na ipinasa mula sa isang ResNet module patungo sa isa pa. Sa DenseNet, bawat layer ay nakakakuha ng mga karagdagang input mula sa lahat ng naunang layer at ipinapasa ang sarili nitong mga feature-map sa lahat ng kasunod na layer. Ginagamit ang concatenation.
Ano ang DenseNet?
Ang
DenseNet ay isa sa mga bagong tuklas sa mga neural network para sa visual object recognition Ang DenseNet ay halos kapareho sa ResNet na may ilang pangunahing pagkakaiba. Gumagamit ang ResNet ng additive method (+) na pinagsasama ang nakaraang layer (identity) sa hinaharap na layer, samantalang ang DenseNet ay pinagsasama-sama (.)
Paano gumagana ang DenseNet?
Upang buod, ginagamit ng DenseNet architecture ang natitirang mekanismo sa maximum nito sa pamamagitan ng paggawa ng bawat layer (ng parehong siksik na bloke) na kumonekta sa kanilang kasunod na mga layer Ang pagiging compact ng modelong ito ay nagbibigay ng kaalaman nagtatampok ng hindi kalabisan dahil ibinabahagi ang lahat sa pamamagitan ng isang karaniwang kaalaman.
Ano ang pagkakaiba ng ResNet at DenseNet?
Ang pagkakaiba sa pagitan ng ResNet at DenseNet ay ang ResNet ay gumagamit ng summation para ikonekta ang lahat ng naunang feature- maps habang pinagsasama-sama ng DenseNet ang lahat ng mga ito [49].
