探索两种主流深度卷积神经网络架构的核心思想、优势与适用场景
ResNet 由何恺明等人于 2015 年提出，通过引入“残差连接”（skip connection）解决了深层网络中的梯度消失和退化问题。
其核心思想是：让网络学习输入与输出之间的残差（即 F(x) = H(x) - x），而非直接拟合目标映射 H(x)。这使得训练上百层甚至上千层的网络成为可能。
ResNet 在 ImageNet 竞赛中取得突破性成绩，成为后续众多视觉模型的基础架构。
DenseNet 由 Huang Gao 等人于 2017 年提出，其特点是每一层都直接连接到所有后续层，形成密集的特征复用。
这种结构不仅缓解了梯度消失问题，还显著减少了参数数量，并增强了特征传播与重用，提升了模型效率。
DenseNet 在参数效率和小样本学习方面表现优异，适用于计算资源受限的场景。