ImageNet 2017目标定位冠军论文：双路径网络
论文：Dual Path Networks 在本项研究工作中，我们提出了一种用于图像分类的简单、高效和模块化的双路径网络（Dual Path Network /DPN），该神经网络内部连接路径采用了一种新的拓扑结构。通过在 HORNN 框架下揭示性能最优秀的残差网络（ResNet）和密集卷积神经网络（DenseNet）之间的等价性，我们发现 ResNet 能重复利用特征，而 DenseNet 能探索新的特征，这两种都对学习一个优秀的表征十分重要。为了获得两种路径拓扑的长处，我们提出了双路径网络（DPN），该神经网络能共享公共特征，并且通过双路径架构保留灵活性以探索新的特征。我们在三个基准数据集（ImagNet-1k、Places365 和 PASCAL VOC）上的大量实验表明该 DPN 有最优秀的性能。特别是在 ImagNet-1k 数据集上，较浅 DPN 的性能超越了 ResNeXt-101(64x4d)，并且模型大小还要小 26%、计算成本少 25%、内存消耗少 8%。而更深层的 DPN（DPN-131）在令单模型性能达到最优的情况下训练速度还要比残差网络快三倍。DPN 在 Pl...
