论文解析之Image Restoration Using Very Deep Convolutional Encoder-Decoder Networks with Symmetric Skip Co

论文名: Image Restoration Using Very Deep Convolutional Encoder-Decoder Network

with Symmetric Skip Connection   ------------------2016 NIPS



论文针对图像修复方向,提出了一种跳跃链接的残差网络,总体来说论文结构简单,不过有点意思,所以简单说一下:



网络结构如下图所示:

论文解析之Image Restoration Using Very Deep Convolutional Encoder-Decoder Networks with Symmetric Skip Co_第1张图片

1.首先对输入进行卷积,卷积用来提取特征,随着卷积的进行,那么图像的特征被提取,同时噪声的效果降低,那么经过若干卷积后,不仅仅是提取了可以图像的特征,同时降低了噪声的影响,随后,利用提取到的图像的特征进行反卷积,进行图像的回复,

卷积是提取特征,反卷积是针对特征的上采样,从而完成由图像到特征,再由特征到图像的过度

此时反卷积利用的图像特征已经是过滤了噪声后的图像特征,从而达到降噪的目的

2.跳跃链接(skip connection):这点在RenNet中已经提到,随着网络层次的加深,会出现梯度消失/爆炸的问题,即便是问题并不严重,也会导致难以收敛,结果不理想,那么通过跳跃链接,可以使得网络中的浅层与深层链接,为数据信号流动形成通路,从而有效解决梯度消失/爆炸问题。

本篇论文中虽然也采用了跳跃链接,但是与ResNet中有所区别,论文通过将卷积层与对应的逆卷积层链接,使得逆卷积层针对性的进行反卷积操作,当然,这么做最主要的就是与ResNet做出区别


3.残差学习:残差学习能够有效的降低整个网络的权重,使得网络不需要记录太多的图像细节,只需要学习 输入图像input 与 标签图像label的区别,也就是残差。

残差学习也能够有效的解决梯度消失/爆炸问题,加快了网络中的信息流动从而加速了收敛速度



通过以上的操作,即可完成图像的回复。总而言之,在2016年算是一篇不错的论文

你可能感兴趣的:(深度学习',深度学习,caffe,图像复原)