该论文介绍了一种称为 DenseNet 的神经网络架构，通过将每一层与其他每一层之间连接起来，可以解决传统卷积神经网络中权重消失和特征重用问题，在目标识别领域中表现优异。

Aug, 2016

该研究提出 Dense Convolutional Network (DenseNet) 模型，使用每一层之前的所有特征图作为输入，解决了梯度消失的问题，促进了特征重用，并在目标识别领域的四个竞争性基准上显着提高了性能效率。

Jan, 2020

本文研究 ResNet 和 DenseNet 并提出了一种统一的密集求和方法分析它们之间的差异，并通过提出的 DSNet 算法在多个基准数据集上取得了比 ResNet 更好、与 DenseNet 相当的性能，但需要更少的计算资源。

Oct, 2020

本文介绍了一种新的用于高分辨率密集预测的卷积神经网络架构，称为 D3Net，其采用了多分辨率学习和逐渐膨胀的感受野来同时建模局部和全局模式，避免了深度网络中的深度耗散问题，并在图像和音频处理任务中取得了优越的性能。

Nov, 2020

本文介绍了我们在使用 DenseNets 进行声学建模（AM）自动语音识别方面的最新研究，实验结果表明，DenseNet 能够显著地优于其他神经网络模型，如 DNNs、CNNs、VGGs, 甚至在使用只有一半训练数据的情况下表现也很好。

Aug, 2018

基于现代网络等价性分析，我们发现 ResNet 和 DenseNet 本质上是从同一 “紧密拓扑结构” 派生而来的，只是连接形式不同 -- 加法（称为 “内连接”）vs 连接（称为 “外连接”）。然而，连接的两种形式都具有优势和不足之处。为了结合它们的优点并避免表示学习中的某些限制，我们提出了一种高效，模块化的混合连接网络（MixNet），它配备了灵活的内部连接和外部连接模块。因此，ResNet，DenseNet 和 Dual Path Network（DPN）分别可以视为 MixNet 的特殊情况。此外，我们证明 MixNets 在许多竞争数据集（如 CIFAR-10/100，SVHN 和 ImageNet）上可以实现比最先进体系结构更高的参数效率。

Feb, 2018

提出了一种名为 HyperDenseNet 的三维全卷积神经网络，扩展了密集连接的定义以解决多模式分割问题。该网络在多个标准数据上表现优秀，较其他分割网络有较大提高，基于特征重用的实验分析确认了密集连接在多模式特征表示学习中的重要性。

Apr, 2018

本论文提出基于 Transformer 和 ConvNet 结构的 ConTNet 模型，相较于传统的 ConvNet 模型，可以更好地捕捉全局信息，从而部署在图像分类和物体检测等任务中，具有明显的优异性。

Apr, 2021

本文探讨增加深度对神经网络性能提升的边际效益递减问题，提出一种更高效的残差网络结构并在图像分类和语义分割等领域实现了显著优越性能。

Nov, 2016

本研究提出基于 ResNet 架构的参数共享和自适应计算时间的网络，该网络比原始网络更小，能够根据输入图像的复杂性调整计算成本。

Apr, 2018