Como una red neuronal profunda ligera, MobileNet tiene menos parámetros y una mayor precisión de clasificación. Con el fin de reducir aún más el número de parámetros de red y mejorar la precisión de clasificación, se introducen bloques densos propuestos en DenseNets en MobileNet. En los modelos Dense-MobileNet, las capas de convolución con el mismo tamaño de mapas de características de entrada en los modelos MobileNet se toman como bloques densos, y se llevan a cabo conexiones densas dentro de los bloques densos. La nueva estructura de red puede aprovechar al máximo los mapas de características de salida generados por las capas de convolución anteriores en los bloques densos, para generar una gran cantidad de mapas de características con menos núcleos de convolución y usar repetidamente las características. Al establecer una tasa de crecimiento pequeña, la red reduce aún más los parámetros y el costo computacional. Se diseñaron dos modelos Dense-MobileNet, Dense1-MobileNet y Dense2-MobileNet. Los experimentos muestran que Dense2-MobileNet puede lograr una precisión de reconocimiento más alta que MobileNet, con menos parámetros y costo computacional.