超分辨率卷积神经网络（SRCNN）的关键算法与公式讲解

超分辨率卷积神经网络（SRCNN）的关键算法与公式讲解

1. 卷积层

卷积层通过对输入数据进行卷积操作来提取特征。此操作包括一个过滤器（或称为内核），该过滤器在输入图像上滑动，并计算过滤器与其覆盖的图像像素的点积。二维卷积的公式（步长为1，填充适当）如下：

$$(f\ast g)(i,j)=\sum _m\sum _{n}f(m,n)\cdot g(i-m,j-n)$$

其中 ( f ) 是过滤器，( g ) 是图像。

2. ReLU激活函数

ReLU（线性整流单元）激活函数为网络引入非线性，定义如下：

$$\text{ReLU}(x)=\max (0,x)$$

此函数对元素逐个应用，将特征图中的负像素值替换为零。

3. 批量归一化

批量归一化通过以下公式来归一化每个特征，减少内部协变量偏移。公式如下：

$${\hat{x}}_i=\frac{x_i-{\mu }_B}{\sqrt{{\sigma }_B^2+ϵ}}$$

其中 ( \mu_B ) 是批量均值，( \sigma_B^2 ) 是批量方差，( \epsilon ) 是一个很小的常数，以避免除以零。

4. 残差块

残差块的输出通过以下公式进行非线性激活后输出，这有助于网络学习更深层次的特征。公式如下：

$$x_{\text{out}}=\text{ReLU}(x+F(x))$$

其中 ( x ) 是输入的激活，( F(x) ) 是网络学习的残差映射。

5. 均方误差（MSE）损失

均方误差损失用于衡量预测值与真实值之间的误差，公式如下：

$$\text{MSE}=\frac{1}{n}\sum _{i=1}^n(y_i-{\hat{y}}_i{)}^2$$

其中 ( \hat{y}_i ) 是预测值，( y_i ) 是真实值，( n ) 是样本数量。

6. Adam优化器

Adam优化器用于随机优化，结合了两种扩展的随机梯度下降法——AdaGrad和RMSProp的优点。Adam为每个参数计算自适应学习率。

7. 数据处理与转换

• 图像加载与转换：使用PIL库和torchvision变换来加载和转换图像，包括调整图像大小并将其转换为张量格式。
• DataLoader：用于有效管理数据集的批次，支持选项如随机排序和并行处理。