DRRN:深度递归残差网络
1.介绍
本文提出了一种非常深的CNN模型(多达52个卷积层),称为深度递归残差网络(DRRN),它致力于深入而简洁的网络。 具体而言,采用残差学习,以减轻培训深层网络的难度; 递归学习用于控制模型参数,同时增加深度。 广泛的基准评估表明,DRRN明显优于SISR的最新技术水平,同时利用更少的参数。
主要有两个新颖点:
- 在VDSR和DRCN中应用的只是从输入到输出的全局残差学习(GRL),GRL主要可以降低训练深层网络的难度。DRRN中又添加了局部残差学习(LRL),可以减少经过深层网络后图像细节的丢失。(LRL每几个堆叠层就可以有一个而GRL只会有一个)
- 关于残差单元的递归学习,可以使得模型更加紧凑。在DRCN中,递归层被学习并且权重在16个卷积递归层中分享。DRRN和DRCN有两个主要的区别:一是并不所有卷积层共享一个权重,DRRN拥有由数个残差单元组成的递归块,权重在这些残差单元中共享;二是DRRN通过设计具有多路径结构的递归块从梯度爆炸/消失的负担中解脱出来,可以很容易的训练,并且仅仅增加卷积深度而不添加参数就能提升准确度。
2.相关工作
以上是RESNET,VDSR,DRCN和DRRN的简略模型图
VDSR在