计算机视觉应用开发课件：SRCNN_第1页
计算机视觉应用开发课件：SRCNN_第2页
计算机视觉应用开发课件：SRCNN_第3页
计算机视觉应用开发课件：SRCNN_第4页
计算机视觉应用开发课件：SRCNN_第5页
已阅读5页，还剩6页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

SRCNNSRCNN的提出01任务网络结构02任务学习目标了解SRCNN超分辨率重建网络的由来掌握SRCNN超分辨率重建网络的网络结构1SRCNN的提出1SRCNN的提出SRCNN是由香港中文大学ChaoDong等人提出的基于深度学习对图像进行重建的方法。该团队提出的SRCNN算法是首次使用深度学习（CNN）用来进行图像重建的，所以被称为是深度学习在图像重建领域的“开山制作”。2网络结构2网络结构SRCNN的网络结构非常简单，仅仅用了三个卷积层，网络结构如图所示：2网络结构SRCNN首先使用双三次(bicubic)插值将低分辨率图像放大成目标尺寸，这三次插值分别为：1.LR特征提取（Patchextractionandrepresentation），这个阶段主要是对LR进行特征提取，并将其特征表征为一些featuremaps；2.特征的非线性映射（Non-linearmapping），这个阶段主要是将第一阶段提取的特征映射至HR所需的featuremaps；3.HR重建（Reconstruction），这个阶段是将第二阶段映射后的特征恢复为HR图像。接着通过三层卷积网络拟合非线性映射，最后输出高分辨率图像结果。利用三层卷积层分别实现：1.图像的图像块抽取与稀疏字典建立；2.图像高、低分辨率特征之间的非线性映射；3.高分辨率图像块的重建。2网络结构Patchextraction：提取图像Patch，进行卷积提取特征，类似于稀疏编码中的将图像patch映射到低分辨率字典中。其目的是找到一组可以表达之前预处理后所得到图像块的一组“基”，这些基是沿着不同方向的边缘，稀疏系数就是分配给各个基的权重。这部分可以转化为一定数量的滤波器（卷积核）来代替。Non-linearmapping：将低分辨率的特征映射为高分辨率特征，类似于字典学习中找到图像patch对应的高分辨字典。将第一步得到的表达图像块的高维向量映射到另外一个高维向量中，通过这个高维向量表达高分辨率图像块，用于最后的重建。这一步骤可以使用1×1的卷积来实现向量维数的变换。2网络结构Reconstruction：根据高分辨率特征进行图像重建。类似于字典学习中的根据高分辨率字典进行图像重建。将最后得到的高分辨率图像块进行聚合（重合的位置取平均）形成最后的高分辨率图像。这一部分可以看成是一种线性运算，可以构造一个线性函数（不加激活函数）来实现。基于卷积神经网络的超分辨率算法将这三个步骤都统一到一个模型中，显著地提高了模型效率。相对于传统方法提高了图像重建质量。但计算量

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论