【论文笔记】Compression Artifacts Reduction by a Deep Convolutional Network(以及SRCNN)
来源:互联网 发布:java初学者书籍推荐 编辑:程序博客网 时间:2024/06/15 14:10
Compression Artifacts Reduction by a Deep Convolutional Network(以及SRCNN)
- Compression Artifacts Reduction by a Deep Convolutional Network以及SRCNN
- 引入
- SRCNN回顾
- ARCNN总结
- SRCNN和ARCNN资源汇总
- Tips
- 文献
引入
有损压缩三种主要压缩损伤(振铃现象、块效应和边缘模糊) ,本文提出来的ARCNN,从SRCNN【1】为起点出发,发现三层的SRCNN在处理压缩图像中存在的块效应和平滑区域时,表现的不理想,这是由于混合在一起的各种伪影,使得第一层的特征提取不理想。
AR-CNN由四层卷积层组成,如下图:
SRCNN回顾
SRCNN由Image Super-Resolution Using Deep Convolutional Networks一文提出,SRCNN有三层卷积层组成,主要是将低分辨率的图片(经过插值后)作为输入,直接输出高分辨率的图片。每一层对应特定任务,具体来说,第一层对应的是patch extraction and representation,第二层是non-linear mapping, 第三层是图像重建。
srcnn超分辨率卷积神经网络细节
首先,将低分辨率输入图片基于二次立方bicubic interpolation进行upscale,这时,输入图片和输出图片一样的尺寸大小。
第一步,块抽取和表示
这一步重叠地提取低分辨率图像上的块,将每一个块表示程高维向量,这些向量组合成了特征图的集合。
第二步,非线性匹配
将高维向量映射到另外一个高维向量。
第三步,重建
集合上面的高维块表达生成最终的超分辨率图片上面的块是重叠的,按照传统的一种方法是进行平均来产生最终的图像处理。这种平均的方式可以认为是一种在一组特征图上的预定义滤波器,因此该文提出一个卷积层来产生最终的高分辨率图片。
SRCNN实施细节:
ARCNN总结
如果使用SRCNN,那么在第一层的特征提取就会遇到问题,因为extracted features are usually noisy and ambiguous for accurate mapping.文中使用特征增强的方法feature enhancement layer,该层的作用实际上就是对第一层的特征图就行去噪,所以ARCNN就是在SRCNN的基础上,增加了特征增强层。
其他的,介绍文章中采用的技术方法three types of transfer learning strategies【2】(个人觉得没什么用,因为其主网络的效果就很好,是的,到这介绍完毕。)
SRCNN和ARCNN资源汇总
这两个网络都提供了caffe框架下的源代码,还有相关的matlab处理程序,我整理在我的blog里SRCNN和ARCNN代码汇总(点击链接)
Tips
最后介绍有用的Tips:
1 底层次的视觉问题,深度网络不是越深越好。
在高层的视觉问题中,深度网络一般是越深越好,但是在低层次的视觉问题中,深度网络的层次并不是这样,在【1】这篇文章中,指出对于超像素而言,网络层次越深不意味着更好的结果,当训练一个五层的网络时遇到了瓶颈,训练的难度部分地可以归于次优初始化设置。2 图片经过卷积输出尺寸变小问题
一种方法是,对输入进行upscale。我们知道,一般卷积层会提取特征使得输入图像一层层变小,而超分辨率要把输入的小尺寸低分辨率图变成大尺寸图,所以这里先对输入低分辨率图做upscale到输出的大小,这样就巧妙的解决了尺寸问题。
另外一种,保持输入和输出图片尺寸一样,可以在卷积的时候加上padding。
文献
【1】C. Dong, C. C. Loy, K. He, and X. Tang. Image super-resolution using deep convolutional networks.arXiv:1501.00092, 2014.
【2】A. Krizhevsky, I. Sutskever, and G. Hinton. ImageNet classification with deep convolutional neural networks. pages 1097–1105, 2012.
- 【论文笔记】Compression Artifacts Reduction by a Deep Convolutional Network(以及SRCNN)
- DeepLearning论文笔记(二):Understanding Deep Architectures using a Recursive Convolutional Network
- 论文笔记 MSCNN:A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection
- 【论文笔记】Image Classification with Deep Convolutional Neural Network
- 论文阅读笔记(一)——Deep Convolutional Neural Network with Independent
- (SRCNN)Image super-resolution using deep convolutional networks
- (SRCNN)Image super-resolution using deep convolutional networks
- 论文《A Convolutional Neural Network Cascade for Face Detection》笔记
- 论文笔记 UberNet : Training a ‘Universal’ Convolutional Neural Network
- 【论文笔记】A Convolutional Neural Network Cascade for Face Detection
- 论文《A Convolutional Neural Network Cascade for Face Detection》笔记
- 论文《A Convolutional Neural Network Cascade for Face Detection》笔记
- 论文笔记 UberNet : Training a ‘Universal’ Convolutional Neural Network
- MSCNN 论文解析(A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection
- MSCNN 论文解析(A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection
- A Hierarchical Deep Convolutional Neural Network for Fast Artistic Style Transfer论文理解
- [论文解读] MSCNN: A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection
- 论文笔记:Real-time emotion recognition for gaming using deep convolutional network features
- linux C —— gdb调试、简单Makefile
- 使用Jquery基本过滤选择器
- swift使用通知NSNotification
- 额..java反射的运用吧
- iOS中的多线程
- 【论文笔记】Compression Artifacts Reduction by a Deep Convolutional Network(以及SRCNN)
- 简要理解java里的多线程
- UnsupportedOperationException
- 使用jquery内容过滤选择器
- 网卡驱动设计---架构分析加回环网卡驱动设计(网卡驱动上)
- TextView(怎么用代码动态设置字体颜色)
- LeetCode-34.Search for a Range
- vertica-优化编码
- 浅谈SPI总线