FSRCNN总结

最新推荐文章于 2024-04-23 09:17:03 发布
最新推荐文章于 2024-04-23 09:17:03 发布
阅读量972 收藏 8
点赞数
分类专栏： 图像超分辨 深度学习 图像处理 文章标签： 卷积 网络 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/literacy_wang/article/details/116447856
版权
FSRCNN是一种旨在加速SRCNN的深度学习模型，通过采用反卷积层替代三次插值，以及使用小卷积核和更深的卷积层来减少计算负担。网络结构呈现漏斗形状，允许在不改变大部分参数的情况下适应不同的采样因子，提升了速度和效率。特征提取、Shrinking、映射、拓展和反卷积层共同构建了FSRCNN的精巧设计，其损失函数沿用了MSE。
摘要由CSDN通过智能技术生成

阅读FSRCNN自我小结

创新点

FSRCNN的动机是为了加速SRCNN模型，因此它从以下几个方面进行了改进：

  1. 在网络末端使用了一个反卷积层==>采用后采样框架，相比SRCNN中使用先采样框架，减少了计算负担。
  2. 在网路前端重新改变了输入特征的维数
  3. 在网络非线性映射层中间部分，使用了更小的卷积核并应用了更深的卷积层

针对问题的改进措施

问题：针对SRCNN中有两点限制了速度。

  1. 低分辨率图像需要上采样（通过三次插值）；
  2. 非线性映射步骤，需要缩减参数加快速度。

改进措施：
对于第一个问题采用反卷积层代替三次插值；
第二个问题，添加Shrinking层和Expanding层，并将一个大层（是SRCNN中的非线性映射层，层较宽）用一些小层（用m个深度的小层来代替宽层）（卷积核大小是3*3）来代替。
整个网络结构类似于漏斗的形状，中间细两端粗。
这个网络不仅仅速度快，而且除了最后一个反卷积层会随着采样因子的不同改变参数之外，其他层不需要更改参数。

贡献

  1. 设计漏斗结构的卷积网络，不需要预处理操作 速度提升
  2. 训练速度快
  3. 只要改变最后的反卷积层就可以，不用像SRCNN网络中，随着采样因
最低0.47元/天 解锁文章
literacy_wang
关注
专栏目录
【图像超分】论文精读：Accelerating the Super-Resolution Convolutional Neural Network（FSRCNN）
畅游计算机视觉的海洋
03-12 1万+
作为应用于图像超分辨率 (SR) 的成功深度模型，超分辨率卷积神经网络 (SRCNN) [1,2] 在速度和恢复质量方面都比以前的手工制作的模型表现出更好的性能。然而，高计算成本仍然阻碍了它的实际使用，这需要实时性能（24 fps）。在本文中，我们旨在加速当前的 SRCNN，并提出了一种紧凑的沙漏形 CNN 结构，以实现更快和更好的 SR。我们从两个方面重新设计了SRCNN结构。首先，我们在网络末端引入了一个反卷积层，然后将映射直接从原始低分辨率图像（无插值）学习到高分辨率图像。其次，我们通过在映射之前缩小
超分算法FSRCNNN:Accelerating the Super-Resolution Convolutional Neural Network 图像超分辨率重建
qq_45122568的博客
04-07 4683
FSRCNNN:Accelerating the Super-Resolution Convolutional Neural Network一级目录二级目录三级目录 介绍 一级目录 二级目录 三级目录
FSRCNN神经网络
我の博客
01-20 5732
FSRCNN——SRCNN的改进版
【超分辨率】FSRCNN--Accelerating the Super-Resolution Convolutional Neural Network
热门推荐
Shwan_ma的博客
10-07 1万+
FSRCNN仍然是由港中文大学的Dong Chao, Tang XiaoOu等人做出来的文章，是SRCNN（将CNN引入超分辨率处理的开山之作）之后的又一力作。 该文章发表在CVPR2016上的文章，声称能在CPU上进行实时处理视频超分辨率。最近发现论文写作真的跟作者风格很有关，Tang的ScSR，SRCNN，FSRCNN写得都很通俗易懂，让人有种恍然大悟的感觉。不过在CNN之前的一些传统SR m
图像超分辨率之FSRCNN（Accelerating the Super-Resolution Convolutional Neural Network）
qq_41950533的博客
11-19 1716
ECCV2016 论文下载地址：Accelerating the Super-Resolution Convolutional Neural Network 0.摘要 FSRCNN直接采用低分辨的图像作为输入，不同于SRCNN需要先对低分辨率的图像进行双三次插值然后作为输入； FSRCNN在网络的最后采用反卷积层实现上采样； FSRCNN选择更小尺寸的滤波器和更深的网络结构。 1.结构 特征提取：一次用5*5卷积,因为现在输入的图片尺寸变小了。 压缩：采用小的感受野1*1节约计算能力，同时输出采用s&lt
FSRCNN：加速超分辨率卷积神经网络，SRCNN的加速版
最新发布
AI数据工厂
04-23 1362
FSRCNN：改进版的SRCNN，速度更快、性能更高！
fsrcnn.rar
06-28
总结，SRCNN作为早期的深度学习超分辨率模型，虽然在复杂度和性能上可能不及后续的ESPCN、SRResNet等模型，但它的出现为后续研究奠定了基础，并且其简洁的架构和高效的运行速度使其在某些场景下依然具有竞争力。...
加速图像超分辨率重建的卷积神经网络（FSRCNN）
qq_31263401的博客
06-23 5712
1 介绍 图像超分辨率重建是指通过低分辨率图像或图像序列恢复出高分辨率图像。高分辨率图像意味着图像具有更多的细节信息、更细腻的画质，这些细节在高清电视、医学成像、遥感卫星成像等领域有着重要的应用价值。Super-Resolution Convolutional Neural Network：本篇文章讲述的是深度学习在图像超分辨率重建问题的开山之作SRCNN(Super-Resolution Con...
文章复现：超分辨率网络FSRCNN
qq_41387508的博客
07-27 1203
SRCNN通过三个卷积层来完成对图像的超分，也就是特征提取、特征映射和图像重建。 但是其输入需要预先插值为目标尺寸，在速度上有一定的缺陷，难以应用到实时的研究中，因此Dong等人（SRCNN的第一作者）又改进了SRCNN，于是有了FSRCNN，其中的F代表Fast。 原文摘要 As a successful deep model applied in image super-resolution (SR), the Super-Resolution Convolutional Neural Networ
论文研读（一）：FSRCNN:Accelerating the Super-Resolution Convolutional Neural Network
weixin_44825185的博客
06-22 1607
原文地址：https://arxiv.org/abs/1608.00367 最近任务需要，总结回忆一下FSRCNN，本来想系统的整理读过的文章但是没有时间，因为都被我用来浪费了，它的前作SRCNN比较简单之后再看吧~ 1.Motivations 原文： However, the high computational cost still hinders it from practical usage that demands real-time performance (24 fps). In this p
FSRCNN-TensorFlow.rar
06-23
加速图像超分辨率卷积神经网络（FSRCNN）完整代码实现，基于python和TensorFlow。代码主要实现了港中大董超的ECCV论文Accelerating the Super-Resolution Convolutional Neural Network。
超分辨率matlab代码-FSRCNN:FSRCNN（快速超高分辨率卷积神经网络）的非官方PyTorch实现
05-26
超分辨率matlab代码FSRCNN 使用PyTorch的FSRCNN的非官方实现。 脚步 运行data_aug.m以增加训练集。 运行generate_train.m和generate_test.m为数据加载器生成h5文件。 （请注意，您可能需要在matlab代码中更改其他图像源的路径） 运行main.py 要求 python> = 3.4 火炬> = 0.4 火炬视觉 张量流 参考 朝东，陈改来，唐小鸥。 在2016年欧洲计算机视觉会议（ECCV）的议事录中加速超分辨率卷积神经网络
FSRCNN Accelerating the Super-Resolution Convolutional Neural Networks
12-08
FSRCNN
FSRCNN代码（Matlab）
09-03
基于FSRCNN的图像超分辨重建算法 加速的SRCNN模型算法
学习笔记之——基于pytorch的FSRCNN
10-26
学习笔记之——基于pytorch的FSRCNN 把我的代码上传了，后续有更正会更新这个代码
FSRCNN阅读笔记
时间停止的那刻
03-24 455
Abstract 1、问题：SRCNN高计算代价无法实时使用 2、目标：加速SRCNN 3、解决方案： First, introduce a deconvolution layer at the end of the network, then the mapping is learned directly from the original low-resolution image (witho...
超分辨率FSRCNN理解(附pytorch代码)
zzy_pphz的博客
09-04 5264
代码：基于pytorch的FSRCNN FSRCNN改进了SRCNN在速度上存在的缺陷： 1.SRCNN在将低分辨率图像送进网络之前，会先使用双三次插值法进行插值上采样操作，产生与groundtruth大小一致的低分辨率图像，这样会增加了计算复杂度，因为插值后的图像相比原始的低分辨率图像更大，于是在输入网络后各个卷积层的计算代价会增大，从而限制了网络的整体速度。 2.非线性映射层的计算代价太高。 FSRCNN在SRCNN基础上做了如下改变： 1.FSRCNN直接采用低分辨的图像作为输入，不同于SRCNN需要
超分辨率重构二---FSRCNN
gui_hai的博客
05-28 806
FSRCNN(Accelerating the Super-Resolution Convolutional Neural Network)阅读笔记 1、论文地址：https://arxiv.org/abs/1608.00367 2、github上tensorflow代码： https://github.com/yifanw90/FSRCNN-TensorFlow 3、论文介绍 3.1、SRCNN的缺点 速度太慢，速度慢的原因主要有两个方面，第一个由于使用双三次插值进行上采样将图像放大，在卷积的时候所用的时
超分之FSRCNN
Ton的博客
04-17 4646
这篇文章是SRCNN作者在SR网络结构、超参数配置等大大小小多个方面的优化，从而实现了加速版SRCNN——FSRCNN超分网络结构，其具有real-time的优势，且在表现力上也胜过SRCNN。FSRCNN发表于2016年，其结构中的一些思想在如今超分网络的设计中仍具有很多可以启发的点。 Note： 文章转载于博主暖风的超分算法FSRCNNN:Accelerating the Super-Resolution Convolutional Neural Network 图像超分辨率重建。 此外，本文标注了.
fsrcnn的相关代码
08-01
FSRCNN（Fast Super-Resolution Convolutional Neural Network）是一种超分辨率图像处理算法，旨在通过深度学习技术提高图像的分辨率。这种算法的关键是使用卷积神经网络（Convolutional Neural Network）进行图像超分辨率处理。 FSRCNN的相关代码通常在深度学习框架中实现，例如TensorFlow或PyTorch。以下是一个使用PyTorch实现FSRCNN的简单示例代码： ''' import torch import torch.nn as nn class FSRCNN(nn.Module): def __init__(self, scale_factor=2): super(FSRCNN, self).__init__() self.first_part = nn.Sequential( nn.Conv2d(3, 64, kernel_size=5, padding=2), nn.PReLU() ) self.mid_part = nn.Sequential( nn.Conv2d(64, 32, kernel_size=1), nn.PReLU() ) self.last_part = nn.Sequential( nn.Conv2d(32, 3*(scale_factor**2), kernel_size=5, padding=2), nn.PixelShuffle(scale_factor) ) def forward(self, x): x = self.first_part(x) x = self.mid_part(x) x = self.last_part(x) return x # 创建FSRCNN模型 model = FSRCNN() # 导入训练好的权重（可选） model.load_state_dict(torch.load('fsrcnn_weights.pth')) # 使用模型进行图像超分辨率处理 input_image = torch.randn(1, 3, 256, 256) # 输入图像（假设为RGB格式） output_image = model(input_image) # 输出图像保存为文件 output_image = output_image.clamp(0, 1) # 限制像素值范围为0到1 output_image = output_image.squeeze(0) # 去除批次维度 output_image = output_image.permute(1, 2, 0) # 转置通道顺序 torchvision.utils.save_image(output_image, 'output_image.png') ''' 以上代码定义了一个名为FSRCNN的PyTorch模型类，该类包含了卷积层和激活函数，并将图像输入通过网络进行超分辨率处理。代码中还展示了如何导入预训练权重、如何使用模型进行图像处理以及如何保存处理后的图像。请注意，这只是一个简单的示例代码，实际应用中，可能需要根据具体需求进行修改和调整。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值