可参考该论文中浅层特征的介绍以及其中特征复用的手段或者自己去扩展方法。
不同层级的特征对比研究标明,浅层特征具备更高的分辨率,可以保留更多的空间,细节信息。通过浅层特征能更好的兼顾到数据在空间之间的关联性,更好的从整体去描述数据,浅层特征提取网络结构如下:
但是由于其只经过极少的卷积处理,所以语义性更低,而且常常伴有大量的噪声。随着多次卷积,深层特征变动性越来越大,噪声逐渐减少,语义性越来越强,越来越注重影像之间的区分度描述。但是不可避免的是,其分辨率越来越低,对细节的感知能力更低,无法注意到数据的关联性。
考虑到浅层特征和深层特征的特点,本文使用卷积特征融合网络对浅层特征和深层特征进行融合处理,目的是通过特征复用获得全新的特征 ,提高特征的利用率,增强网络的特征表达能力。参考文献{沈明玉, 俞鹏飞, 汪荣贵, 等 . 多阶段融合网络的影像超分辨率重建[J]. 中国图象图形学报, 2019, 24(8): 1258-1269.}
卷积特征融合网络使用特征融合单元+过度单元的结构,如下图所示: