wdsr 论文阅读笔记

Wide activation for efficient and accurate image super-resolution

JiahuiYu/wdsr_ntire2018: Code of our winning entry to NTIRE super-resolution challenge, CVPR 2018 (github.com)

摘要:这篇论文作者证明了同样的参数和计算量,在激活函数之前有更多的特征图模型的性能就越好。最终的网络结构在每个残差模块的激活函数之前有更宽的通道。为了在没有高额计算量下更进一步加宽激活,作者引入了线性低秩卷积到网络结构中,结果得到了比较好的效率。此外,对比了BN和没有BN,作者发现权重正则化训练可以获得更好的结果。

wdsr 论文阅读笔记_第1张图片

引言

SRCNN,FSRCNN ,ESPCN 利用浅层的卷积神经网络(大约3层到5层)。浅层相比于深层卷积神经网络是次优的。比如VDSR,SRResNet,EDSR。深度的增加带来了更强的表达能力。但是浅层特征利用不足也随之出现

你可能感兴趣的