本文意在为您简要解读最近在 arXiv 上一篇最新的文章 《双通道网络》（Dual Path Networks），原作者已经将源码公开到了 GitHub。
在论文中，作者分析并证明了 ResNet 与 DenseNet 之间的重要联系：Densely Connected Network Family 里包含 Residual Network Family。作者分析了两者各自的优缺点，并基于分析所得结论，提出了一类新的网络拓补结构：双通道网络（Dual Path Network Family）。
论文地址：https://arxiv.org/pdf/1707.01629.pdf
ResNet 实际属于 DenseNet
DenseNet 是由[1] 提出的一类不同于 ResNet 的网络结构。ResNet 将输出与输入相加，形成一个残差结构；而 DenseNet 却是将输出与输入相并联——相并联，相并联（重要的事情说 3 遍），实现每一层都能直接得到之前所有层的输出。
下图中， (a/b) 展示了两种网络。请注意两者的区别，将 DenseNet 理解为一种有很多残差连接的 ResNet 是非常错误的理解。
文中作者发现，Residual Networks 其实就是 Densely Connected Networks 的一种特例。这里我们通过分析网络结构简要证明下：
上图中，假设实线箭头代表一次变换（本例中指含激活函数的卷积），若 (b) 中绿色箭头代表的函数相同，那么我们就可以通过添加一个残差通道（residual path）保留中间计算结果，将其化简为 (c)。而 (c) 的形式恰恰就是一个残差网络的形式（棕色点线）。
也就是说，一个 DenseNet 可以通过共享参数的方式，退化为 ResNet。ResNet 实际上就是 DenseNet 在跨层参数共享时候的特例。
本文认为：
1）ResNet 通过这种跨层参数共享和保留中间特征的方式，可以有效的降低特征上冗余度，重复利用已有特征，但缺点在于难以利用高层信息再发掘底层特征；
2）DenseNet 每一层都重新在之前所有层的输出中重新提取有用信息，可以有效地利用高层信息再次发掘底层新特征，但其却存在特征上的冗余。
双通路网络 DPN：结合残差网络和 Densenet 两者优点
那么，一个很自然的想法就是结合这两类网络拓补结构，实现优缺点互补。于是，文章提出了一类全新的双通道网络结构：Dual Path Network（DPNs）。
DPN 具体网络结构
需要注意的是，与 Residual Network Family 和 Densely Connected Network Family一样，Dual Path Network Family 也将存在诸多变种，其内部链接并不局限于下图中的 “1x1->3x3->1x1” 这种形式。
其核心思想是，将残差通道和 densely connected path 相融合，实现优缺互补，其重点不在于细节部分是如何设定的。
上图中，(e) 以 (d) 为例，展示了实际使用中的一种 DPN。简单来讲，就是基于现有的残差网络，将最后的 1x1 输出切分为两路，一路加到 residual path 上去，一路并到 densely connected path 上去。（这里请注意与 PyramidNets [2] 的本质区别。）
本文分别在“图像分类”，“物体检测”和“物体分割”三大任务上对 DPN 进行了验证。在 ImageNet 1000 类分类任务中的性能如表 2 所示：
注意，这里的FLOPs是理论值，实际效率不同于理论值。MXNet 在 concat layer 和 split layer 那里还有待对 DPN 进行特殊优化，减少不必要的内存拷贝等操作。
但即便如此，在实测中： DPN-98 也显著提高了训练速度，降低内存占用，并保持更高的准确率。即便是最佳单模型 DPN-131 也并没有增加很多计算量和内存开销，完全可以直接作为其他任务的基础网络来使用。相较之前的最佳单模型 Very Deep PolyNet，DPN-131 实际训练速度提升约 300%。
下图给出了在单节点，4 块 K80（K80 为双GPU）下的实测结果：
DPN 在 PASCAL VOC 上的“物体检测”和“物体分割”对比实验结果如下表所示：
篇幅所限，感兴趣的老师同学请查看原文。
构建高性能、低资源占用的网络结构一直是深度学习里一个重要的研究方向。正如残差网络 (ResNet) 所展现的，一个有效的网络拓补结构，不仅能全面提高“图像识别”任务中准确性，更能通过直接替换底层网络的方式受益“图像生成”、“检测”、“分割”、“美化”等等诸多应用。
在 DPN 这篇文章中，作者分析探讨了现在最受欢迎的两种网络结构，并提出了其独特的见解：认为 ResNet 是 DenseNet 在参数跨层共享时的特例。基于这一结论，作者进一步提出了一类高性能、低资源占用的全新网络拓补结构 Dual Path Networks，DPN 有效地融合了现有网络，实现了优势互补，其性能在“图像识别”、“图像检测”和“图像分割”这三大任务中均得到了验证，各项指标得到了显著提升。相信近期将能在更多的工作和报道中看到双通道网络的身影。
文章转自新智元公众号，原文链接
