作者发现ResNet可以使得特征重用，DenseNet可以探索新的特征。二这两个作用对网络学习好的表达很重要。所以论文将2着结合起来。
结构如下图：
首先将输入预分为俩部分。将所有输入通过1X1，3X3和1X1的卷积之后也分为相同数量的俩部分，第一部分像resnet一样相加，第二部分像densenet一样拼接。形成下一个新的输入。不断重复上述过程。为了减缓宽度的增加，将最后一个1X1的少数通道作为densenet方式连接。
详细参数如表1.
G表示卷积group；k表示densely connected path增加的通道数；+表示增加的通道数。
模型复杂度：DPN-92参数比ResNeXt-101 ( 32 × 4 d)少15%；DPN-98参数比ResNeXt-101 (64 × 4d)少26%。
计算复杂度：DPN-92比ResNeXt-101( 32 × 4 d)少19%；DPN-98比ResNeXt-101(64 × 4d)少25%.