![](https://img-blog.csdnimg.cn/20201014180756919.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
超分辨率
文章平均质量分 58
小陈phd
哇咔咔,过拟合,我跟你拼了;V:SWPUCWF 欢迎技术交流
展开
-
深度学习之超分辨率算法——FRCNN
– 对之前SRCNN算法的改进输出层采用转置卷积层放大尺寸,这样可以直接将低分辨率图片输入模型中,解决了输入尺度问题。改变特征维数,使用更小的卷积核和使用更多的映射层。卷积核更小,加入了更多的激活层。共享其中的映射层,如果需要训练不同上采样倍率的模型,只需要修改最后的反卷积层大小,就可以训练出不同尺寸的图片。模型实现import mathfrom torch import nnclass FSRCNN(nn.Module): def __init__(self, sca原创 2021-04-17 23:05:53 · 2629 阅读 · 9 评论 -
深度学习之超分辨率算法——SRGAN
更新版本实现了生成对抗网络在超分辨率上的使用更新了损失函数,增加先验函数SRresnet实现import torchimport torchvisionfrom torch import nnclass ConvBlock(nn.Module): def __init__(self, kernel_size=3, stride=1, n_inchannels=64): super(ConvBlock, self).__init__() self.sequ..原创 2021-05-28 17:30:39 · 2519 阅读 · 0 评论 -
深度学习之超分辨率算法——VDSR
比较于之前的FSRCNN来说,VDSR我认为主要引入了以下优秀特点首先是卷积层数的上的增加,卷积层数直接代表着模型提取特征的能力强弱小卷积核的进一步引入,利用卷积核3x3堆叠层数,模型一共20层。引入残差网络缺点:原文依然采用的MSE损失,单纯比较像素之间的差异。图像相对比较平滑。训练依然采用是SRCNN的训练方法,先上采样到高分辨率尺寸大小再进行训练。两张图理解:(输入尺寸等于输出尺寸的模型实现)使用数据集:train.h5model.pyimport tor.原创 2021-05-25 17:06:29 · 6636 阅读 · 9 评论 -
深度学习之超分辨率算法(pytorch)——ESPCN
先回忆一下:SRCNN缺点依赖于图像区域收敛速度慢哈尺度固定计算量大模型输入:原始低分辨率图片核心:亚像素卷积。在网络的最末端实现LR到HR的分辨率背景:之前的SRCNN,通过双三次插值得到的高分辨率的图像,直接从低分辨率LR得到了高分辨率的图片。(输入是双三次插值的高分辨率图像(类似于粗糙的高分辨率图像)),那么在网络卷积中就会造成,粗糙的高分辨率图和标签进行计算。这样计算时间复杂度较大。ESPCN网络模型# 网络模型代码import mathimport torchfro原创 2021-04-28 18:09:19 · 6628 阅读 · 1 评论 -
深度学习实战之超分辨率算法(tensorflow)——ESPCN
espcn原理算法请参考上一篇论文,这里主要给实现。数据集如下:尺寸相等即可针对数据集,生成样本代码preeate_data.pyimport imageiofrom scipy import misc, ndimageimport numpy as npimport imghdrimport shutilimport osimport jsonmat = np.array( [[ 65.481, 128.553, 24.966 ], [-37.797, -7原创 2021-04-29 00:33:07 · 996 阅读 · 5 评论