Dual Path Networks（DPN）——一种结合了ResNet和DenseNet优势的新型卷积网络结构。深度残差网络通过残差旁支通路再利用特征，但残差通道不善于探索新特征。密集连接网络通过密集连接通路探索新特征，但有高冗余度。

时间：2018-05-13 13:35:44 阅读：434 评论：0 收藏：0 [点我收藏+]

如何评价Dual Path Networks（DPN）？

论文链接：https://arxiv.org/pdf/1707.01629v1.pdf
在ImagNet-1k数据集上，浅DPN超过了最好的ResNeXt-101（64×4d），具有26％更小的模型尺寸，25％的计算成本和8％的更低的内存消耗

5 个回答

1、针对视觉识别任务的“网络工程”一直是研究的重点，其重在设计更为高效的网络拓扑结构，一方面考虑更好的特征表示学习，另一方面尽可能减少计算复杂度和内存消耗。比如之前的典型代表AlexNet,VGGnet,GoogLeNet，ResNet，ResNeXt，Inception-ResNet，WRNnet，DenseNet，SqueezeNet等。
2、DPN是一种结合了ResNet和DenseNet优势的新型卷积网络结构。深度残差网络通过残差旁支通路再利用特征，但残差通道不善于探索新特征。密集连接网络通过密集连接通路探索新特征，但有高冗余度。
3、论文从数学表达上对ResNet、DenseNet和HORNN的关系进行了表示，经证明，当连接在层中共享时残差网可看作密集连接网络，当权重在各步中共享时密集连接网络是高阶RNN。在之前只是从图示上感受各种神经网络模型结构中各层的连接关系，并未深入。
4、就实验结果而言，DPN 中的特征共享机制和探索新特征的灵活性被证明，DPN作为主干网络，其在图像分类、目标检测、语义分割任务都达到很好的效果。
刚看了这篇论文，对细节还没理解透，权当做个笔记。
PS.新加坡国立大学（NUS）和奇虎 360 组成的 NUS-Qihoo_DPNs (DET)在目标检测任务取得不错成绩。而今年也是最后一届基于ImageNet的ILSVRC挑战赛，是不是表明分类检测任务已经取得相对完善的表现？之后可能更侧重于语义和行为关系方向？

编辑于 2017-07-18