ResNET加se resnet加se后结果没有提升

2017年CVPR最佳论文，改进了ResNet，降低了模型的复杂度，进一步减少了梯度消散的问题。

1. ResNet存在的问题：
   a. 文中提到在ResNet中，由于shortcut操作时与卷积的结果使用的是相加方式，并且只与未通过卷积层的数据相连，导致在许多贡献不多的层中，实际上一个又一个的模块就是在重复的，这些层在训练中都是可以被丢弃的，但由于每一层都有他自己的参数，导致模型非常的大。
3. DenseNet做出的改进：
   a. 使用了Concat方式，连接了更多的层，使得参数更少，效率更高。
   b. 这样的连接方式提高了特征的复用性，提高了整个网络中信息和梯度的流量，使得整个网络的训练更加简单。
   c. 增加了正则效果，减轻了过拟合。
   d. 文中的两个公式就能很清楚的表现两个结构的差别，第一个公式是ResNet的结构，第二个公式是DenseNet的结构：



4. 
   



6. DenseNet的核心模块
   a. Dense connectivity：每一层就是上文提到的那个公式，，其中每层的连接使用的方法为拼接而非相加，用图来表示如下：



7. b. Composite function：每个H()包含了三个操作，BN，ReLU，Conv
   c. Growth rate：指的是在设计网络是，特征图数量的递增速度，和ResNet不同，DenseNet网络相对比较窄，其实这个k值就是每个卷积层的通道数。
   d. Bottleneck layers：虽然每层的通道数不多，但是我们每次会将前面的所有结果进行拼接，所以每一个block里较后的层数的通道数仍然会非常大，所以在每次做33卷积之前，对拼接后的结果进行一次11的卷积，使它的通道数变为固定的4k
   e. Compression：在每一个block后，我们实际使用的是所有层拼接的结果，而不是简单的最后一层卷积结果，所以我们在添加一层1*1卷积，降低通道数。
   f. 文中给出的用于ImageNet数据集的结构，k=32：



9. 网络性能比较



10. 可以看到在相近的参数数量下，DenseNet的准确率明显优于ResNet