A DenseNet نوعی شبکه عصبی کانولوشن است که از اتصالات متراکم بین لایه‌ها استفاده می‌کند، از طریق بلوک‌های متراکم، جایی که ما همه لایه‌ها (با اندازه‌های نقشه مشخصه منطبق) را مستقیماً با یکدیگر.
DenseNet برای چه استفاده می شود؟
می توان آن را به عنوان الگوریتم هایی با وضعیتی که از یک ماژول ResNet به ماژول دیگر منتقل می شود مشاهده کرد. در DenseNet، هر لایه ورودی های اضافی را از تمام لایه های قبلی دریافت می کند و نقشه های ویژگی خود را به تمام لایه های بعدی ارسال می کند.. الحاق استفاده می شود.
DenseNet چیست؟
DenseNet یکی از اکتشافات جدید در شبکه های عصبی برای تشخیص اشیاء بصری است DenseNet با برخی تفاوت های اساسی کاملاً شبیه ResNet است. ResNet از یک روش افزایشی (+) استفاده می کند که لایه قبلی (هویت) را با لایه آینده ادغام می کند، در حالی که DenseNet (.) را به هم متصل می کند.
DenseNet چگونه کار می کند؟
به طور خلاصه، معماری DenseNet از مکانیسم باقیمانده تا حداکثر استفاده می کند، با وصل کردن هر لایه (از یک بلوک متراکم) به لایه های بعدی خود فشردگی این مدل باعث می شود آموخته ها ویژگی‌ها غیر زائد نیستند، زیرا همه آنها از طریق دانش مشترک به اشتراک گذاشته می‌شوند.
تفاوت ResNet و DenseNet چیست؟
تفاوت بین ResNet و DenseNet این است که ResNet از جمع بندی برای اتصال همه نقشه های ویژگی قبلی استفاده می کند در حالی که DenseNet همه آنها را به هم متصل می کند [49].
