线性变换论文英文文献

分析巴特奥斯低通滤波器的设计步骤?

课 程 设 计课程设计名称： 数字信号处理 数字信号处理 专业课程设计任务书题 目 用双线性变换法设计原型低通为巴特沃兹型的数字IIR带通滤波器主要内容 用双线性变换法设计原型低通为巴特沃兹型的数字IIR带通滤波器，要求通带边界频率为400Hz，500Hz，阻带边界频率分别为350Hz，550Hz，通带最大衰减1dB，阻带最小衰减40dB，抽样频率为2000Hz，用MATLAB画出幅频特性，画出并分析滤波器传输函数的零极点；信号 经过该滤波器，其中 450Hz， 600Hz，滤波器的输出 是什么？用Matlab验证你的结论并给出 的图形。任务要求 1、掌握用双线性变换法设计原型低通为巴特沃兹型的数字IIR带通滤波器的原理和设计方法。2、求出所设计滤波器的Z变换。3、用MATLAB画出幅频特性图。4、验证所设计的滤波器。参考文献 1、程佩青著，《数字信号处理教程》，清华大学出版社，20012、Sanjit K. Mitra著，孙洪，余翔宇译，《数字信号处理实验指导书（MATLAB版）》，电子工业出版社，2005年1月3、郭仕剑等，《MATLAB 7.x数字信号处理》，人民邮电出版社，2006年4、胡广书，《数字信号处理 理论算法与实现》，清华大学出版社，2003年审查意见 指导教师签字：说明：本表由指导教师填写，由教研室主任审核后下达给选题学生，装订在设计（论文）首页填 表 说 明1．“课题性质”一栏：A．工程设计；B．工程技术研究；C．软件工程（如CAI课题等）；D．文献型综述；E．其它。2．“课题来源”一栏：A．自然科学基金与部、省、市级以上科研课题；B．企、事业单位委托课题；C．校、院（系、部）级基金课题；D．自拟课题。1 需求分析本课程设计要求用双线性变换法设计原型低通为巴特沃兹型的数字IIR带通滤波器，给定的设计参数为通带边界频率为400Hz，500Hz，阻带边界频率分别为350Hz，550Hz，通带最大衰减1dB，阻带最小衰减40dB，抽样频率为2000Hz。要求采用双线性变换法，使得s平面与z平面是单值的一一对应关系，不存在频谱混淆的问题。由于数字频域和模拟频域的频率不是线性关系，这种非线性关系使得通带截止频率、过渡带的边缘频率的相对位置都发生了非线性畸变。设计出巴特沃兹型的带通滤波器之后，让信号 经过该滤波器，其中 450Hz， 600Hz，分析滤波器的输出 是什么，用Matlab验证结论并给出 的图形。2 概要设计1>用双线性变换法设计IIR数字滤波器脉冲响应不变法的主要缺点是产生频率响应的混叠失真。这是因为从S平面到Z平面是多值的映射关系所造成的。为了克服这一缺点，可以采用非线性频率压缩方法，将整个频率轴上的频率范围压缩到-π/T～π/T之间，再用z=esT转换到Z平面上。也就是说，第一步先将整个S平面压缩映射到S1平面的-π/T～π/T一条横带里；第二步再通过标准变换关系z=es1T将此横带变换到整个Z平面上去。这样就使S平面与Z平面建立了一一对应的单值关系，消除了多值变换性，也就消除了频谱混叠现象，映射关系如图1-3所示。图1-3双线性变换的映射关系为了将S平面的整个虚轴jΩ压缩到S1平面jΩ1轴上的-π/T到π/T段上，可以通过以下的正切变换实现（1-5）式中,T仍是采样间隔。当Ω1由-π/T经过0变化到π/T时，Ω由-∞经过0变化到+∞，也即映射了整个jΩ轴。将式（1-5）写成将此关系解析延拓到整个S平面和S1平面，令jΩ=s，jΩ1=s1，则得再将S1平面通过以下标准变换关系映射到Z平面z=es1T从而得到S平面和Z平面的单值映射关系为：（1-6）（1-7）式（1-6）与式（1-7）是S平面与Z平面之间的单值映射关系，这种变换都是两个线性函数之比，因此称为双线性变换式（1-5）与式（1-6）的双线性变换符合映射变换应满足的两点要求。首先,把z=ejω，可得（1-8）即S平面的虚轴映射到Z平面的单位圆。其次，将s=σ+jΩ代入式（1-8），得因此由此看出，当σ<0时，|z|<1；当σ>0时，|z|>1。也就是说，S平面的左半平面映射到Z平面的单位圆内，S平面的右半平面映射到Z平面的单位圆外，S平面的虚轴映射到Z平面的单位圆上。因此，稳定的模拟滤波器经双线性变换后所得的数字滤波器也一定是稳定的。2>双线性变换法优缺点双线性变换法与脉冲响应不变法相比，其主要的优点是避免了频率响应的混叠现象。这是因为S平面与Z平面是单值的一一对应关系。S平面整个jΩ轴单值地对应于Z平面单位圆一周，即频率轴是单值变换关系。这个关系如式（1-8）所示，重写如下：上式表明，S平面上Ω与Z平面的ω成非线性的正切关系，如图7-7所示。由图7-7看出，在零频率附近，模拟角频率Ω与数字频率ω之间的变换关系接近于线性关系；但当Ω进一步增加时，ω增长得越来越慢，最后当Ω→∞时，ω终止在折叠频率ω=π处，因而双线性变换就不会出现由于高频部分超过折叠频率而混淆到低频部分去的现象，从而消除了频率混叠现象。图1-4双线性变换法的频率变换关系但是双线性变换的这个特点是靠频率的严重非线性关系而得到的，如式（1-8）及图1-4所示。由于这种频率之间的非线性变换关系，就产生了新的问题。首先，一个线性相位的模拟滤波器经双线性变换后得到非线性相位的数字滤波器，不再保持原有的线性相位了；其次，这种非线性关系要求模拟滤波器的幅频响应必须是分段常数型的，即某一频率段的幅频响应近似等于某一常数（这正是一般典型的低通、高通、带通、带阻型滤波器的响应特性），不然变换所产生的数字滤波器幅频响应相对于原模拟滤波器的幅频响应会有畸变，如图1-5所示。图1-5双线性变换法幅度和相位特性的非线性映射对于分段常数的滤波器，双线性变换后，仍得到幅频特性为分段常数的滤波器，但是各个分段边缘的临界频率点产生了畸变，这种频率的畸变，可以通过频率的预畸来加以校正。也就是将临界模拟频率事先加以畸变，然后经变换后正好映射到所需要的数字频率上。根据以上IIR数字滤波器设计方法，下面运用双线性变换法基于MATLAB设计一个IIR带通滤波器，通带截止频率fp1=500HZ,fp2=400HZ;阻带截止频率fs1=350HZ,fs2=550HZ；通带最大衰减αp=1dB;阻带最小衰减αs=40dB，抽样频率为2000HZ。I.设计步骤：(1)根据任务,确定性能指标:通带截止频率fp1=500HZ,fp2=400HZ；阻带截止频率fs1=350HZ,fs2=550HZ；通带最大衰减αp=1dB；阻带最小衰减αs=40dB；抽样频率为2000HZ。 (2)用Ω=(2/T)tan(w/2)对带通数字滤波器H(z)的数字边界频率预畸变，得到带通模拟滤波器H(s)的边界频率主要是通带截止频率fp1,fp2;阻带截止频率fs1，fs2的转换。为了计算简便，对双线性变换法一般T=2s通带截止频率fc1=(2/T)*tan(2*pi*fp1/2)fc2=(2/T)*tan(2*pi*fp2/2)阻带截止频率fr1=(2/T)*tan(2*pi*fs1/2)fr2=(2/T)*tan(2*pi*fs2/2)阻带最小衰减αs=1dB和通带最大衰减αp=40dB;(3)运用低通到带通频率变换公式λ=(((f^2)-(f0^2))/ f)将模拟带通滤波器指标转换为模拟低通滤波器指标。B=fc2-fc1normwr1=(((fc1*fc2)-(fc1^2))/fc1) normwr2=(((fc1*fc2)-(fc2^2))/fc2)normwc1=(((fc1*fc2)-(fr1^2))/fr1)normwc2=(((fc1*fc2)-(fr1^2))/fr1)模拟低通滤波器指标：normfc，normfr，αp，αs(4)设计模拟低通原型滤波器。借助巴特沃斯(Butterworth)滤波器,用模拟低通滤波器设计方法得到模拟低通滤波器的传输函数H(s);(5)调用lp2bp函数将模拟低通滤波器转化为模拟带通滤波器。(6)利用双线性变换法将模拟带通滤波器H(s)转换成数字带通滤波器H(z).II.程序流程框图：开始↓读入数字滤波器技术指标↓将指标转换成归一化模拟低通滤波器的指标↓设计归一化的模拟低通滤波器阶数N和1db截止频率↓模拟域频率变换，将G(P)变换成模拟带通滤波器H(s)↓用双线性变换法将H(s)转换成数字带通滤波器H(z)↓输入信号后显示相关结果↓结束3 运行环境PC机 MATLAB4 开发工具和编程语言MATLAB语言5 详细设计clc;clear all;%设计滤波器%所需设计的带通滤波器的参数设置Fres=2000;Ts=1/Fres;Omgap1=500Omgap2=400Omgas1=350Omgas2=550%进行双线性变换，使得s平面与z平面是单值的一一对应关系Omgap=(Omgap1-Omgap2)*TsOmgap3=tan(Omgap1*Ts*2*pi/2)Omgap4=tan(Omgap2*Ts*2*pi/2)Omgas3=tan(Omgas1*Ts*2*pi/2)Omgas4=tan(Omgas2*Ts*2*pi/2)%对参数归一化ap1=Omgap3/Omgapap2=Omgap4/Omgapas1=Omgas3/Omgapas2=Omgas4/Omgap%将模拟带通滤波器指标转化成模拟低通滤波器指标I1=(ap1*ap2-as1*as1)/as1I2=(ap1*ap2-as2*as2)/as2I3=(ap1*ap2-ap1*ap1)/ap1I4=(ap1*ap2-ap2*ap2)/ap2I5=min(I1,-I2)alfpp=1;alfps=40;%设计巴特沃兹型低通滤波器HL（s）[N,Wn]=buttord(I4,I5,alfpp,alfps,'s')[Num,Den]=butter(N,Wn,'s')%将设计的模拟低通滤波器传递函数HL（s）转化成模拟带通滤波器H（s）[Num2,Den2]=lp2bp(Num,Den,sqrt(Omgap3*Omgap4),Omgap);%将设计的模拟带通滤波器H（s）转化成数字带通滤波器H（Z）[Num3,Den3]=bilinear(Num2,Den2,0.5);%画出H（Z）幅频特性曲线w=0:pi/255:pi;h=freqz(Num3,Den3,w);H=20*log10(abs(h));plot(w,H);%设计信号函数f1=450;f2=600;t=0:1/2000:40/f2;f=sin(2*pi*f1*t)+sin(2*pi*f2*t);plot(f);%信号通过带通滤波器g=invfreqz(h,w,40,50)g1=conv(g,f)plot(g1)6 调试分析在设计滤波器的时候，计算的是幅频特性。而相频特性没有进行频谱分析。而信号和信号通过滤波器的图形分析都为时与分析，没有进行频域分析，是不知道该用哪个函数对其进行傅里叶变换。试过freqz,fft等函数，但是都没有出来结果。说明调用格式不正确。本次试验用的是巴特沃兹型低通滤波器设计的方法，还可以利用切比雪夫型低通滤波器设计，或者椭圆型等。在本次试验中，我们只用了两种频率简单的叠加作为输入信号，但实际信号是多种频率的组合，可以再增加一些频率。现实中还应该有噪声的影响，本实验中没有考虑。可以再加上噪声信号。7 测试结果Fres = 2000Ts = 5.0000e-004Omgap1 = 500Omgap2 = 400Omgas1 = 350Omgas2 = 550Omgap = 0.0500Omgap3 = 1.0000Omgap4 = 0.7265Omgas3 =0.6128Omgas4 = 1.1708ap1 = 20.0000ap2 = 14.5309as1 = 12.2560as2 = 23.4170I1 = 11.4562I2 = -11.0065I3 = -5.4691I4 = 5.4691I5 = 11.0065alfpp = 1alfps = 40N = 8Wn = 6.1894Num = 1.0e+006 * Columns 1 through 8 0 0 0 0 0 0 0 0 Column 9 2.1538Den = 1.0e+006 * Columns 1 through 8 0.0000 0.0000 0.0005 0.0052 0.0377 0.1984 0.7386 1.7837 Column 9 2.1538Num2 = 1.0e-004 * Columns 1 through 8 0.8413 0.0000 -0.0000 0.0000 -0.0000 0.0000 -0.0000 0.0000 Column 9 -0.0000Den2 = Columns 1 through 8 1.0000 1.5863 7.0705 8.7151 20.5005 19.9985 32.1353 24.8474 Columns 9 through 16 29.9185 18.0527 16.9631 7.6698 5.7123 1.7643 1.0400 0.1695 Column 17 0.0776Num3 = 1.0e-004 * Columns 1 through 8 0.0043 0.0000 -0.0341 0.0000 0.1194 0.0000 -0.2389 0.0000 Columns 9 through 16 0.2986 0.0000 -0.2389 0.0000 0.1194 0.0000 -0.0341 0.0000 Column 17 0.0043Den3 = Columns 1 through 8 1.0000 -2.2463 8.3946 -13.4519 27.6744 -33.6694 48.3386 -45.7295 Columns 9 through 16 49.5687 -36.4140 30.6576 -16.9904 11.1207 -4.2944 2.1332 -0.4524 Column 17 0.1603h = Columns 1 through 5 -0.0000 -0.0000 + 0.0000i -0.0000 + 0.0000i -0.0000 + 0.0000i -0.0000 + 0.0000i …… Columns 251 through 256 -0.0000 - 0.0000i -0.0000 - 0.0000i -0.0000 - 0.0000i -0.0000 - 0.0000i -0.0000 - 0.0000i -0.0000 - 0.0000iH = Columns 1 through 8 -279.2737 -279.2732 -279.2723 -279.2813 -279.3855 -280.0020 -283.0382 -292.4507…… Columns 249 through 256 -281.0032 -280.3352 -280.1410 -280.0979 -280.0943 -280.0973 -280.0996 -280.1004f1 = 450f2 = 600t = Columns 1 through 8 0 0.0005 0.0010 0.0015 0.0020 0.0025 0.0030 0.0035 …… Columns 129 through 134 0.0640 0.0645 0.0650 0.0655 0.0660 0.0665f = Columns 1 through 8 0 1.9387 -0.2788 -1.4788 0.3633 0.7071 -0.1420 0.1338…… Columns 129 through 134 -0.3633 -0.7946 1.0000 1.1075 -1.5388 -1.0418g = Columns 1 through 8 0.0000 0.0000 -0.0000 -0.0000 0.0000 0.0000 -0.0001 -0.0002…… Columns 33 through 41 -0.0002 0.0000 0.0001 -0.0000 -0.0000 -0.0000 0.0000 0.0000 0.0000g1 = Columns 1 through 8 0 0.0000 0.0000 -0.0000 -0.0000 0.0001 0.0001 -0.0003…… Columns 169 through 174 0.0000 0.0000 -0.0000 -0.0000 -0.0000 -0.0000综合上述分析，数据基本正确。上图为带通滤波器幅频响应 、上图为传输函数零极点分析 上图为输入信号时域上图为输出波形的时域分析参考文献 [1] 吴大正 《信号与线性系统分析》第四版 高等教育出版社[2] 郑君里 《信号与系统》第二版 高等教育出版社[3] Sanjit K. Mitra 《数字信号处理—基于计算机的方法》第三版 清华大学出版社[4] 余成波 《数字信号处理及MATLAB实现》清华大学出版社[5] 周利清 《数字信号处理基础》 北京邮电大学出版社[6] 美国莱昂 《数字信号处理》英文第二版 机械工业出版社心得体会................0.0

大名鼎鼎的DenseNet，17年CVPR的best paper（当然有争议是后话），不得不读。黄高博士的扛鼎之作，之前在读他的Snapshot-Ensembles时感觉就很舒服，整个文章逻辑很清楚，实验对比做的也十分全面，相信这篇best paper更是没有问题，会给读者一种爽的感觉。

2019.2.20 2852次。绝对值很高，但相比其他经典网络，ResNet，GoogLeNet之类，有些差距。

本篇在16年8月挂到arXiv上，中了2017年CVPR，是继16年何大神的ResNet之后，第二个华人的best paper， 这里 有个作者本尊的talk，现场讲解。一作Gao Huang（黄高）05年北航的本科生（GPA第一），15年清华博士毕业（读了6年。。），后来在康奈尔待了3年做博后，此刻在清华作青椒，本篇是在康奈尔时的工作。二作刘壮（同等贡献）也是碉堡，现在在伯克利做博士生，之前是清华姚班的（13级），发这篇文章时还在清华，也就是说 本科生 。。。最近以一作的身份新发了一篇《Rethinking the Value of Network Pruning》，中了19年的ICLR，同时也是18年NIPS的best paper award。。这个世界太疯狂了，这都不是潜力股了，而是才华横溢溢的不行了。

官方实现在这里：

黄高个人主页在这里：

刘壮个人主页在这里：

先前的研究中说明只要网络包含短路连接，基本上就能更深，更准确，更有效的训练。本文基于这个观察，引入了密集卷积网络（DenseNet），它以前馈方式将每个层连接到所有层。传统的卷积网络L层有L个连接，而DenseNet有 个直接连接。对于每一层，它前面所有层的特征图都当作输入，而其本身的特征图作为所有后面层的输入（短路连接被发挥到极致，网络中每两层都相连）。DenseNet具有几个引入注目的优点： 可以缓解梯度消失问题，加强特征传播，鼓励特征重用，并大幅减少参数数量。

随着CNN变得越来越深，一个新的研究问题出现了：随着输入信息或梯度通过多层，它在到达网络结尾（或开始）处就消失了。ResNets和Highway Networks通过恒等连接将信号从一层传输到下一层。Stochastic depth通过在训练期间随机丢弃层来缩短ResNets，以得到更好的信息和梯度流。FractalNets重复组合几个并行层序列和不同数量的卷积块，以获得较深的标准深度，同时在网络中保持许多短路径。尽管上述方法的网络结构都有所不同，但它们有一个共同特征：创建从早期层到后期层的短路径。

本文提出一个简单的连接模式：为了确保网络中各层之间的最大信息流， 将所有层（匹配特征图大小）直接相互连接 。为了保持前向传播性质，每个层从所有前面的层获得附加输入，并将其自身特征图传递给所有后续层。

至关重要的是，与ResNets相比，在传递给下一层之前， 不是通过求和来合并特征，而是通过concat来合并特征 。因此， 层有 个输入，包括所有先前卷积块的特征图。其特征图被传递到后续所有 层。这在L层网络中引入了 个连接，而不是传统架构的L个连接。正是因为这种密集连接模式，所以称本文方法为密集连接网络（ Dense Convolutional Network DenseNet）。

相比传统卷积网络，这种密集连接模式有有一点可能违反直觉的是，它需要更少的参数，因为无需重新学习冗余的特征图。本文提出的DenseNet架构显式区分了添加到网络的信息和保留的信息。DenseNet的层非常窄（如每层只有12个滤波器），只给网络的"集体知识"增加一小组特征图，并保持其余的特征图不变。

除了更好的参数利用率之外，DenseNet的一大优势是它改善了整个网络中的信息流和梯度，使得网络更易于训练。每层都可以直接访问损失函数和原始输入信号的梯度（ 我屮，这不就是GoogLeNet当时为解决梯度消失而在中间层引入分类器那种ugly办法的替代吗 ），从而导致隐式的深度监督。这有助于训练更深的网络。

与DenseNet相似的级联结构早在1989年就提出来了。。Adanet的提出差不多是与DenseNet并行的，跨层连接也相似（话说竞争真激烈。。）

本文作者提出的另一个网络Stochastic depth说明并非所有层都需要，在深度残差网络中存在大量冗余的层。本文的部分灵感也来源于此。

相比从极深或极宽的架构中提取表示能力，DenseNet是通过 特征重用 来利用网络的潜力，得到易于训练和高参数效率的压缩模型。相比从不同层拼接特征的Inception网络，DenseNet更简单有效（看来Inception因其结构复杂性没少被批判）。

定义 为单张输入图像，网络由 层组成，每一层实现非线性变换 ，其中 为层的索引号。 可以是BN，ReLU，Pooling，Conv等操作的复合函数，定义 层的输出为 。

传统的层连接： 。ResNets增加了跳跃连接： 。ResNets的一个优势是梯度可以通过恒等函数直接从后面的层流向前面的层。然而，恒等函数和 的输出通过加法合并，有可能会阻碍网络的信息流。

本文引入与ResNets不同的连接模式：从任意层到所有后续层的直接连接（图1）。结果就是，第 层接收所有之前层的特征图作为输入： 。为了便于实现，concat 的多个输入为单一张量。

受ResNet v2启发，定义 为三个连续运算的复合函数：BN，ReLU，3 x 3 Conv

当特征图的大小改变时，concat运算是不可能的，然鹅，卷积网络的一个关键组成部分就是下采样层，通过它可以改变特征图大小。为了便于在架构中进行下采样，将网络划分为多个密集连接的密集块（dense blocks），如图2所示。

将密集块之间的层称为过渡层（transition layers），它们进行卷积和池化。本文实验中的过渡层由BN，1 x 1卷积和 2 x 2平均池化组成。

如果每个函数 生成 个特征图，它后面跟着的 层有 个输入特征图，其中 是输入层的通道数。DenseNet和现有网络架构的一个重要区别是DenseNet可以有非常窄的层，如 。本文将超参数 定义为网络的成长率（growth rate）。对此的一种解释是，每一层都可以访问其块中所有前面的特征图，即，网络的『集体知识』。可以将特征图视为网络的全局状态。每一层增加自己的 个特征图到这个状态。成长率反映了每层由多少新信息对全局状态有贡献。全局状态一旦写入，就可以被网络中的任何地方访问，而不像传统网络那样，无需从一层复制到另一层。（全文精华应该就是这一段了）

1x1 conv非常有用（提升计算效率），本文也大用特用。本文定义DenseNet-B的 为 BN-ReLU-Conv(1x1)-BN-ReLU-Conv(3x3)

为了使模型更紧凑，可以减少过渡层的特征图数量。如果密集块包含 个特征图，定义接下来的过渡层生成 个特征图，其中 表示压缩率。定义 的DenseNet为DenseNet-C，本位实验中设置为 。当同时使用瓶颈层和压缩过渡层时，定义模型为DenseNet-BC。

非ImageNet数据集采用同一个架构，由3个密集块构成。ImageNet的架构如表1所示

CIFAR SVHN ImageNet

所有网络都用SGD。

CIFAR和SVHN的batch size为64，epoch分别为300和40，初始学习率为0.1，在50%和75%的epoch时分别除10。

ImageNet的batch size为256，90个epoch，初始学习率为0.1，在30和60epoch时分别除10。

weight decay为 ，动量为0.9。用He初始化。

对于CIFAR和SVHN，还在每个卷积层后接了dropout层（除第一个卷积层外），丢失率为0.2。

看表2的最后一行

DenseNet可以利用更大更深模型表示能力的增长。

如图4所示

主要用DenseNet-BC和ResNet作比较。

表面上看，DenseNets和ResNets没什么不同，两个式子的差别仅仅是输入从加法变为concat，然而，这种看似很小的修改导致两种网络架构的行为明显不同。

因为鼓励特征重用，所以得到更紧凑的模型。

如图4所示。

对DenseNets准确率提升的一种解释是各个层通过短路连接从损失函数接收额外的监督（某种深度监督）。DenseNets用隐式的方式执行相似的深度监督：网络顶部的单个分类器通过最多两到三个过渡层为所有层提供直接监督。 然而，由于在所有层之间共享相同的损失函数，因此DenseNets的损失函数和梯度基本上不那么复杂。

和随机深度的对比，随机深度有点类似DenseNet：如果所有中间层都随机丢弃，那么在相同的池化层之间的任意两层都有可能直接连接。

DenseNet就是好，就是好啊就是好。在遵循简单的连接规则的同时，DenseNets自然地整合了恒等映射，深度监督和多样化深度的属性。

又是一篇没有什么数学公式的paper，越来越感觉深度学习像物理，很多结果都是基于做实验得到的。通过对实验的观察对比分析，找出实验中的缺陷不足，从而去改进，然后发paper。黄高博士的写作套路还是非常讨喜的，特别是开头的地方，娓娓道来，一步一步告诉你为什么要这么做，为什么要引入这一步。此外，DenseNets和作者本人的工作『随机深度』也有千丝万缕的关系，看来功夫做扎实了，沿着一条道路是可以出一系列成果的。

这是个好问题。。是要进一步衍生ResNet吗？

提出密集连接结构，将ResNet的跳跃连接发扬光大为两两连接

效果比ResNet还好，通过减少滤波器个数（文中称作成长率），参数量也下来了

感觉效果提升并没有那么明显，被后续出来的ResNeXt超过了

各种网络结构的实现：

黄高本人视频讲解：

作者本人的解答： CVPR 2017最佳论文作者解读：DenseNet 的“what”、“why”和“how”

DenseNet的3个优势：