1.网路结构图
2.改进点
SRCNN缺点:
- SRCNN将LR送入网络前进行了双三次插值上采样,产生于真实图像大小一致的图像,会增加计算复杂度,因为插值后图像更大,输入网络后各个卷积层的计算代价会很大,从而限制了网络的整体速度。
- 非线性映射特征层的计算代价太高。
FSRCNN在这两点上进行了改进:
- FSRCNN直接采用低分辨率图像作为输入,不进行预处理图像放大,减少计算参数量
- 去除非线性映射,用相应的收缩,映射和扩展区代替
- 采用更小的滤波器和更深的网络结构
- FSRCNN在网络最后利用反卷积上采样进行复原。
具体如下;
1)特征提取:
输入改变为原始的低分辨率图像,卷积核由9*9变为5*5.
2)收缩
主要作用是降维,维度为d,由于LR的特征维度太高,会极大增加计算代价,所以采用磁层,设立1*1卷积核,维度由d降为s,s<<d。
3)映射
将SRCNN的mapping分为多个小mapping层,每层的卷积核为3*3,数目为s
4)扩展
直接使用低维高分辨率特征进行图像恢复效果太差,因此在该层设立1*1卷积核,数目为d,进行维度扩张,保持与特征提取后的维度一致。
5)反卷积
步长为k时,进行卷积图像缩小了k倍,那么进行反卷积相应的图像就会扩大k倍,此层接收高分辨率特征,输出高分辨率结果,设9*9卷积核。
6)其他
损失函数使用PReLU,避免领梯度导致的“特征死亡”,使用MSE,SGD,若数据集为Jpeg有损压缩,可以改为bmp格式。
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)