SRCNN笔记小结

简介

  本篇主要是对论文:Learning a Deep Convolutional Network for Image Super-Resolution笔记记录小结

SRCNN实现

论文贡献

  1、提供了一个卷积神经网络做图像超分辨率方法,该方法端到端的直接学习LR-HR图像,不需要复杂的预处理或者后处理。
  2、对传统的稀疏字典SR和深度学习SR做了分析估计,这个估计有助于指导设计网络结构。
  3、证明了深度学习在SR领域是有效的,并且速度和质量都不错。

操作步骤

  1、LR块字典
  2、HR块字典
  3、非线性映射函数
  4、块减去均值的预处理和生成块结果平均的后处理

处理流程

  流程图大致如下:
            

  1、训练图像中,将LR图像切片成33x33大小图像块,切片步长为14;将对应HR图像切片成21X21大小图像块,步长一样为14。

  2、第一层卷积:
          输入LR图像块,卷积核为:cxf1xf1xn1。
          c为输入图像通道数,Y的话,c为1。
          f1为卷积核size,可以设置为9
          n1为当前卷积层输出深度,可以设置为:64

  3、第二层卷积(非线性映射)
          输入为前一卷积层的输出,当前层卷积核为:n1x1x1xn2
          n1为前一个卷积层输出数据深度
          n2位当前层输出数据深度,这里可以设置为32

  4、第三次卷积层(重建)
          输入为第二卷积层输出,当前层卷积核为:n2xf3xf3xc
          n2为前一个卷积层输出数据深度
          f3为卷积核size,可以设置为5
          c为重建后HR图像通道数,和输入图像通道数保持一致。

使用的损失函数

            

你可能感兴趣的:(机器学习,图形图像)