SRCNN-图像超分辨的学习
点击上方“Datawhale”,选择“星标”公众号
第一时间获取价值内容
文章摘要
《Learning a Deep Convolutional Network for Image Super-Resolution》的学习。
算法模型
此图展示了SRCNN的网络结构。
此图展示了在卷积神经网络下稀疏编码的结构。
SRCNN整个算法包括三个操作:
1. Patch extraction and representation
TensorFlow代码
// 主函数
from model import SRCNN
from utils import input_setup import numpy as np
import tensorflow as tf import pprint
import os flags = tf.app.flags
flags.DEFINE_integer("epoch", 15000, "Number of epoch [15000]")
flags.DEFINE_integer("batch_size", 128, "The size of batch images [128]")
flags.DEFINE_integer("image_size", 33, "The size of image to use [33]")
flags.DEFINE_integer("label_size", 21, "The size of label to produce [21]")
flags.DEFINE_float("learning_rate", 1e-4, "The learning rate of gradient descent algorithm [1e-4]")
flags.DEFINE_integer("c_dim", 1, "Dimension of image color. [1]")
flags.DEFINE_integer("scale", 3, "The size of scale factor for preprocessing input image [3]")
flags.DEFINE_integer("stride", 14, "The size of stride to apply input image [14]")
flags.DEFINE_string("checkpoint_dir", "checkpoint", "Name of checkpoint directory [checkpoint]")
flags.DEFINE_string("sample_dir", "sample", "Name of sample directory [sample]")
flags.DEFINE_boolean("is_train", True, "True for training, False for testing [True]")
FLAGS = flags.FLAGS pp = pprint.PrettyPrinter() def main(_): pp.pprint(flags.FLAGS.__flags) if not os.path.exists(FLAGS.checkpoint_dir): os.makedirs(FLAGS.checkpoint_dir) if not os.path.exists(FLAGS.sample_dir): os.makedirs(FLAGS.sample_dir) with tf.Session() as sess: srcnn = SRCNN(sess, image_size=FLAGS.image_size, label_size=FLAGS.label_size, batch_size=FLAGS.batch_size, c_dim=FLAGS.c_dim, checkpoint_dir=FLAGS.checkpoint_dir, sample_dir=FLAGS.sample_dir) srcnn.train(FLAGS) if __name__ == '__main__': tf.app.run()
https://github.com/tegg89/SRCNN-Tensorflow
结果
SRCNN的不足
- 利用Relu作为激活函数虽然速度快,但是训练的时候很”脆弱”,很容易就”die”;
- SRCNN需要先通过双三次插值的方法对低分辨率的图片插值放大尺寸。
参考文献
[1] https://zhuanlan.zhihu.com/p/49846783
[2] https://medium.com/coinmonks/review-srcnn-super-resolution-3cb3a4f67a7c
[3] http://jiaqianlee.com/2018/06/09/SRCNN/
SRCNN-图像超分辨的学习相关推荐
- 【每周CV论文】初学深度学习图像超分辨应该要读的文章
欢迎来到<每周CV论文>.在这个专栏里,还是本着有三AI一贯的原则,专注于让大家能够系统性完成学习,所以我们推荐的文章也必定是同一主题的. 图像超分辨是一个非常实际应用价值的方向,今天给大 ...
- 【学习笔记】图像超分辨
参考文章:2020 图像超分最新综述及上采样技术一览 定义 图像超分辨是将低分辨图像恢复为高分辨图像的方法. F ( ⋅ ) F(\cdot) F(⋅)为超分辨模型, θ \theta θ为模型参数. ...
- 双目图像超分辨:现状、挑战与展望
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 双目图像超分辨(Stereo Image SR)当前处于起步阶段,领域内算法数量不多,性能还有较大的提 ...
- 近期两篇双目图像超分辨算法论文解读 |AAAI2020 SPL2020
点击我爱计算机视觉标星,更快获取CVML新技术 本文为52CV群友谦Sir投稿. 双目图像可以提供同一场景左右两个视角的信息.合理利用双目图像所包含的互补信息可以进一步提升图像超分辨的性能. 随着双摄 ...
- 分辨率极限-时间分辨率+空间分辨率和图像超分辨重建技术
计算机视觉工作者们,总是希望能"看清"繁华世界的每个像素点,但是却发现分辨率的极限,是他们绕不过去的坎.今天就来和大家聊一聊分辨率以及超分辨图像重建 参考:https://mp.w ...
- 图像超分辨重构(SR)论文整理————适用于刚接触这个领域的初级研究者。(持续更新)
因为最近需要研究一下超分辨重构问题,因此将相关工作进行整理,选取了部分论文进行介绍.如有错误,烦请留言指正.如有版权问题,也请联系博主. 已盘点文章 SRCNN(16,PAMI) VDSR(16,CV ...
- 【图像超分辨(SR)】图像超分辨领域一些英文名词最通俗的中文解释
Motivation 博主算是刚入超分辨的坑没多久,自己在看论文的时候,会遇到很多名词,拆开来每个单词我都认识,但是组合起来就是不知道他在讲什么- 最难受的是很多名词都缺乏中文(甚至英文)的解释.可能 ...
- 【项目实战课】基于Pytorch的SRGAN图像超分辨实战
欢迎大家来到我们的项目实战课,本期内容是<基于Pytorch的SRGAN图像超分辨实战>.所谓项目实战课,就是以简单的原理回顾+详细的项目实战的模式,针对具体的某一个主题,进行代码级的实战 ...
- 【视频课】业界最强数据增强库使用与人脸图像超分辨实践!
前言 数据是深度学习系统的输入,对深度学习的发展起着至关重要的作用,但是又容易被很多人忽视,尤其是缺少实战的学习人员.数据增强又是其中至关重要的内容,为了让大家能够掌握好深度学习中数据的使用,我们开设 ...
- 多功能的图像超分辨模型:用于盲图像超分辨的非对称卷积神经网络
哈工大.台湾国立清华大学与香港中文大学的研究人员联合提出用于盲图像超分辨的非对称卷积网络,该文收录于IEEE Transactions on Systems, Man, and Cybernetics ...
最新文章
- [JZOJ P1291] [DP]添加括号
- hadoop的HA高可用配置(没有搞完)
- Android 控件 之 菜单(Menu)
- Kinect测量身高
- 【- Flutter 桌面篇 -】 FlutterUnit mac版闪亮登场
- app支付宝验证登录
- 应用宝上线应用后一直处于审核状态问题解决
- Session Cookies Not Marked as Secure
- 普罗米修斯 mysql监控_Promethus(普罗米修斯)监控Mysql数据库
- ASEMI代理AD823AARZ-RL原装ADI车规级AD823AARZ-RL
- jQuery入门(一)--jQuery中的选择器
- PDF补丁丁( PDFPatcher.)
- INSEC WORLD丨【漏洞攻防与安全研究论坛】演讲实录精选
- 关了资源管理器电脑白屏解决办法
- Python第三方库之MedPy
- unisoc常用命令集
- 电话销售技巧和话术(转)
- JAVA 实现《泡泡堂基础版》游戏
- 螺杆支撑座究竟采用哪种轴承?
- 能提高亚马逊排名和转化的8个技巧(二)