日誌
vdsr
一、加深至二十層的网络结构，更深的网络结构使得后面的网络层拥有更大的感受野，採取 3 * 3 * 64 的卷积核，从而使得深度为 d 的网络，拥有 （ 2 d + 1 ） * （ 2 d +1 ）的感受野，進而可以根据更多的像素点去推断结果像素点
二、根據前述所說，因為加深網絡，導致了加深的网络结构为梯度传输带来了困难，所以采用残差学习，提高學習率，残差图像比较稀疏，大部分值都为零或者比较小，因此收敛速度快， VDSR 还应用了自适应梯度裁剪（ adjustable Gradient Clipping ），将梯度限制在某一范围，也能够加快收敛过程
首先，卷积有个好处，就是提高较大的感受野，感受野就是视野的意思，图片预测如果運用一个像素点去推断一个像素点，那么是做不好的，所以就要用卷积，卷积使得可以根据 n * n 个像素去推断目标像素值，图像处理中大家普遍认为像素之间是有相关性的，所以根据更多的像素数据去推断目标像素，被认为是一个提高效果的操作
但是传统的卷积操作將图片通过逐步卷积，图像尺寸也越来越小，一个很小的图不适合一个很深的网络，这樣会要求输入图片的尺寸需要很大，其次，如果采取传统的卷积操作， edge 像素会因為考虑的区域少，感受野小而导致结果较差，於是传统的做法是对卷积结果做一个裁剪，剪去 edge ，但随之而來又产生了新问题，裁剪后的图象变的更小，況且卷積後本來就很小了，用原话来说就是： after cropping, the final image is too small to be visually pleasing
三、 VDSR 在每次卷积前，都对图象进行补零操作：恢复圖象至原来大小，这样保证了所有的特征图和最终的输出图像在尺寸上都保持一致，解决了图像通过逐步卷积会越来越小的问题，实验证明补零操作对 edge 像素的预测结果也能够得到提升
四、 VDSR 将不同倍数的图象混合在一起训练，这样训练出来的模型就可以解决不同倍数的超分辨率问题。
全部作者的其他最新日誌
- • the factor
- • peripheral
- • 智慧裝置的極速發展與增加
- • precedent
- • deep concavavity region
- • 照片解譯
