DenseNet的分类方法是通过密集连接（Dense Connectivity）来实现。在传统的卷积神经网络中，每个层的输入只与前一层的输出连接，因此信息无法在网络中自由流动。而在DenseNet中，每个层的输入不仅与前一层的输出连接，还与之前所有层的输出连接，这种密集连接的方式使得信息可以在网络中自由传递。
具体地，DenseNet的每个层都接收所有之前层的特征图作为输入，并通过堆叠的1x1卷积层和3x3卷积层进行特征提取。然后，将这些特征图按通道连接起来作为当前层的输出，并传递给后续层。由于每个层都直接与之前所有层相连，所以网络中的信息传递更加充分，可以更好地利用之前层的特征提取能力，从而提高模型的性能。
最后，DenseNet通过全局平均池化层和全连接层将特征图映射到分类结果。这样，DenseNet可以在训练过程中学习到不同层次上的特征，并利用这些特征进行准确的分类。
