超级会员免费看
本文介绍了Deeply-Recursive Convolutional Network（DRCN）在图像超分辨率重建中的应用。DRCN通过递归结构扩大感受野，避免参数增加和过拟合。通过递归监督和跳跃连接缓解梯度消失/爆炸问题。实验显示，DRCN在多种数据集上表现出色，并能有效利用不同层次的预测信息。
Deeply-recursive convolutional network for image super-resolution
引言
作者认为卷积神经网络感受野越大其可以利用的上下文信息就越多，那么就可以推理出更多的高频信息。提高感受野的方法：增加网络的深度（即增加卷积层的个数或者是增加池化层的个数。但是这两种方法都有缺点，卷积层引入了更多的参数，池化层丢失了一些关键信息）
感受野越大可以利用的上下文信息就越多
一般在图像复原这样的任务中，不会使用池化层。
引入卷积层会导致参数大，容易过拟合
基于此，作者提出了DRCN。重复的利用卷积层，参数不会增加，感受野变大。
但是用随机梯度下降方法会导致梯度爆炸/消失、Learning long-range
订阅专栏 解锁全文
扫一扫
1540
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
