卷积神经网络
2015-12-21 16:43
330 查看
最近看了一篇使用卷积神经网络对图像进行超分辨率的文章,貌似是为数不多的将卷积神经网络用于图像超分辨率的文章。
paper题目:Learning a Deep Convolutional Network for Image Super-resolution 这是2014年eccv的文章。
文章提出了一种卷积神经网络模型,该模型学习了一种end-to-end的映射。作者使用了三层网络对图像进行超分辨率重建
网络模型如下图:
对于一张输入图片,作者首先使用bi-cubic对图像进行差值,重建为想要得到的输出大小相同的尺寸。此时使用差值之后的图像尽管与输出的尺寸相同,但仍为低分辨率图像。之后作者使用n1个filter对图像进行滤波,因此在conv1层得到n1通道的特征图。(这n1个filter是我们需要学习的特征,filter的尺寸为f1*f1).
之后我们需要将conv1层的n1个特征图映射到conv2层的n2个特征图。我们使用n1个filter,对conv1的n1个特征图分别进行卷积,并且将所得的特征图进行叠加,并且加上偏置,由此我们得到了conv2层的一个特征图。(从代码中理解)重复n2次,我们在conv2层得到n2个特征图。(这些滤波器同样是需要学习得到的)
然后我们对conv2层的每个特征图再进行卷积和叠加,加上偏置,就会得到最终的high-resolution image.
大概是这个意思,说的不是很明白。如果需要的话可以看代码。
paper题目:Learning a Deep Convolutional Network for Image Super-resolution 这是2014年eccv的文章。
文章提出了一种卷积神经网络模型,该模型学习了一种end-to-end的映射。作者使用了三层网络对图像进行超分辨率重建
网络模型如下图:
对于一张输入图片,作者首先使用bi-cubic对图像进行差值,重建为想要得到的输出大小相同的尺寸。此时使用差值之后的图像尽管与输出的尺寸相同,但仍为低分辨率图像。之后作者使用n1个filter对图像进行滤波,因此在conv1层得到n1通道的特征图。(这n1个filter是我们需要学习的特征,filter的尺寸为f1*f1).
之后我们需要将conv1层的n1个特征图映射到conv2层的n2个特征图。我们使用n1个filter,对conv1的n1个特征图分别进行卷积,并且将所得的特征图进行叠加,并且加上偏置,由此我们得到了conv2层的一个特征图。(从代码中理解)重复n2次,我们在conv2层得到n2个特征图。(这些滤波器同样是需要学习得到的)
然后我们对conv2层的每个特征图再进行卷积和叠加,加上偏置,就会得到最终的high-resolution image.
大概是这个意思,说的不是很明白。如果需要的话可以看代码。
相关文章推荐
- 网络通信 --> 消息队列
- 苹果App部署HTTPS进行在线下载安装
- javaweb学习总结——HttpServletRequest对象(一)
- javaweb学习总结——HttpServletResponse对象(二)
- javaweb学习总结——HttpServletResponse对象(一)
- 使用HttpClient对ASP.NET Web API服务实现增删改查
- 常见HTTP状态基本解释
- http://www.androiddevtools.cn/
- 使用HttpClient消费ASP.NET Web API服务
- Linux+javaEE学习之文件的压缩+解压缩+java网络编程
- Java中httpClient中三种超时设置
- Java中httpClient中三种超时设置
- 网络通信之 字节序转换原理与网络字节序、大端和小端模式
- 系统信息(SI)的调度 http://www.mscbsc.com/bbs/thread-484729-1-1.html
- 开源框架之Picasso进行网络图片下载
- NMS——卷积网络改进实现
- tcpcopy + tcpdump 离线回放
- TCP三次握手连接及seq和ack号的正确理解
- Python 网络初步
- java 读取图片,兼容本地图片路径与http文件