# DenseNet121 Projects at AI Tinkerers

> Canonical HTML: https://aitinkerers.org/technologies/densenet121
> Markdown URL: https://aitinkerers.org/technologies/densenet121.md
> Technology record last updated: 2026-04-24T15:29:41Z
> Generated: 2026-08-25T15:12:09Z

DenseNet121 is a 121-layer Convolutional Neural Network (CNN) employing dense connectivity to maximize feature reuse and improve gradient flow: it significantly reduces the parameter count while maintaining high accuracy.

DenseNet121 is a highly efficient 121-layer deep learning architecture (a DenseNet-BC variant). Its core innovation is the dense block: each layer receives feature maps from all preceding layers via concatenation, ensuring maximum information flow and feature reuse. The network uses bottleneck layers (1x1 and 3x3 convolutions) and transition layers with compression to manage the feature map growth. This design effectively alleviates the vanishing-gradient problem and substantially reduces the number of parameters compared to traditional CNNs, achieving state-of-the-art results on benchmarks like ImageNet with greater computational efficiency.

- Official technology site: https://github.com/liuzhuang13/DenseNet
- Public AI Tinkerers demos and talks: 1
- Result page: 1 of 1

## Recent Public Talks and Demos

### [Modelo de clasificación de imágenes basado en Transformers para la evaluación de daños estructurales post-sísmicos de acuerdo con la Escala Macrosísmica europea: comparativa con técnicas de aprendizaje de máquina](https://quito.aitinkerers.org/talks/rsvp_IxDDfiiTmsU)

Fue mi tema de tesis consistió en comparar arquitecturas tradicionales de redes neuronales convolucionales (CNN) con modelos basados en Transformers, específicamente DeiT (Data-efficient Image Transformers), para la clasificación automática de imágenes de estructuras afectadas por sismos. Se trabajó con un dataset de 1500 imágenes (750 de mampostería y 750 de hormigón armado), evaluando el daño estructural conforme a la Escala Macrosísmica Europea (EMS-98). Se aplicaron técnicas de data aumentaron. La comparación se hizo con una tesis previa que usaba modelos CNN como VGG16, DenseNet121, MobileNetV2, entre otros, para contrastarlos con el desempeño de DeiT.

- Event context: AI Tinkerers - Quito Primer Meetup (Abril) — 2025-04-24 — Quito
- Public talk page: https://quito.aitinkerers.org/talks/rsvp_IxDDfiiTmsU

## Related Technologies

- [DeiT](https://aitinkerers.org/technologies/deit) ([Markdown](https://aitinkerers.org/technologies/deit.md)) — 1 public demo
- [Google Colab](https://aitinkerers.org/technologies/google-colab) ([Markdown](https://aitinkerers.org/technologies/google-colab.md)) — 12 public demos
- [Python](https://aitinkerers.org/technologies/python) ([Markdown](https://aitinkerers.org/technologies/python.md)) — 654 public demos
- [PyTorch](https://aitinkerers.org/technologies/pytorch) ([Markdown](https://aitinkerers.org/technologies/pytorch.md)) — 273 public demos