简介
DPN双路网络本质上就是把ResNet 和 DenseNet 整合到一起的一个网络。
ResNet使用的是相加(element-wise adding),本质上是对之前层级中已提取特征的复用，即会重复利用特征
DenseNet则使用的是拼接(concatenate)，从靠前的层级中提取到新的特征，即能探索新的特征。
DPN想，如果如果将两个网络结合在一起呢？ 作者从RNN的角度进行了解读，用High Order RNN结构（HORNN）把DenseNet和ResNet联系到了一起，让网络既能共享公共特征，又能通过双路径架构保留灵活性以探索新的特征。
创新点
用RNN解读，设计DPN将ResNet 和 DenseNet 整合到一起
基本介绍
网络结构
DPN 网络如图：
- 模型复杂度：The DPN-92 costs about 15% fewer parameters than ResNeXt-101 (32 4d), while the DPN-98 costs about 26% fewer parameters than ResNeXt-101 (64 4d).
- 计算复杂度，：DPN-92 consumes about 19% less FLOPs than ResNeXt-101(32 4d), and the DPN-98 consumes about 25% less FLOPs than ResNeXt-101(64 4d).
然后来看 DPN是怎么结合这两种网络的
dpn将数据分成两个部分，一部分做ResNet（ResNext）结构，一部分做DenseNet结构：
用不同节点表示如图：
Caffe里面实现还有一点不同。
第一次看到这个网络的时候，感受就是肯定很复杂吧，但实际上 ResNet 系列发展而来的网络，都简单而易于理解，而且它在在图像分类、目标检测还是语义分割领域都有极大的优势。适合大家好好掌握
源码
MxNet https://github.com/cypw/DPNs (官方)
