【《卷积神经网络与超分辨率重建分析》5700字】_第1页
【《卷积神经网络与超分辨率重建分析》5700字】_第2页
【《卷积神经网络与超分辨率重建分析》5700字】_第3页
【《卷积神经网络与超分辨率重建分析》5700字】_第4页
【《卷积神经网络与超分辨率重建分析》5700字】_第5页
已阅读5页,还剩4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

[50]等人所创建的VDSR(VeryDeepSuper-resolutionConvolutionalNetworks)打破传统叠加卷积层实现深层特征提取的枷锁,首次将残差网络的思想搬入图像超分辨率领域,较为完美的解决了因网络层数简单罗列叠加,而造成的网络框架梯度消失或者爆炸,导致无法对网络继续训练下去。因为残差的思想,使得即使不断累加网络层数至成百上千,也能够使得网络模型能够很好的运行下去,并在侧面上另整个网络框架的性能和重建结果上得到提升。如图1.10为该网络的结构示意图。图1.10VDSR网络的结构示意图在预处理上,与SRCNN相同,但对于网络层数增加至了20层,让其拥有更大的感受野,前面19层均采用的3×3的卷积核来形成一连串级联卷积层,最后一层同样是3×3卷积核,但主要作用是来进行重建残差。对于图像的输出尺寸大小,通过在卷积层前,设置边界补零的操作以保证原图与低分辨率图像尺寸一致,然后根据升级因子大小来重建不同的高分辨率图像。VDSR在训练策略上采用AGC(AdjustableGradientClipping)自适应梯度裁剪算法,让网络在训练梯度上始终保持一定的范围,这样可以增大整体网络的鲁棒性。残差网络的核心思想与之前的端到端的学习方法不同,作者认为低分辨率图像与高分辨率图像就特征而言,有着很大的相似性,由于许多特征所对应位置几乎都是相同的,那么只需要针对性的学习两张图像中所存在的特征差异特征即可,这种差异称之为残差,这样的好处是可以大大缩短训练相同信息所花费的时间,就可以让网络中节省下来的计算容量去承载更深的网络。总而言之,VDSR模型的

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。

评论

0/150

提交评论