DenseNet和EfficientNet的结构

DenseNet（密集连接网络）是一种深度卷积神经网络架构，由Gao Huang等人于2016年提出。它的特点是每一层都会将其特征图直接连接到前一层的所有后续层，这种设计减少了信息丢失，并促进了特征再利用。DenseNet的核心思想是通过密集连接块（Dense Block）来组合特征，每个块包含一系列的卷积层，它们之间都有全连接（即特征融合），使得网络能够学习更丰富的特征表示。

而EfficientNet是由Google团队在2019年提出的另一种高效网络模型系列。它通过一种称为“宽度、深度和分辨率”的复合缩放策略来调整网络的大小，同时保持了良好的性能和计算效率。EfficientNet采用了 squeeze-and-excitation (SE) 模块来提升通道间的信息交互，以及Mobile inverted bottleneck convolutions（MBConv，也称作Depthwise-separable convolutions）来减小计算量。每层EfficientNet都包含一个瓶颈层，其中包含扩张卷积（depthwise convolution）、点卷积（pointwise convolution）和SE模块。