标签：inf 重复 form embed paper 可能性 basic nec title
论文:Deeply-Recursive Convolutional Network for Image Super-Resolution
摘要： 提出网络DRCN：deeply-recusrive convolutional network.特点：增加递归层可在不引入额外卷积层（引入新参数）的情况下提高性能。缺点：由于梯度消失，利用标准梯度下降训练DRCN很难。两种解决训练的方案：递归监督（recursive-supervision）和skip-connection.
1.介绍
1)对于super-resolution(SR超分辨)，卷积网络的receptive field决定了contextual information的数量。而这些信息与缺失的高维细节特征有关。收集分析更多临域像素可能给出下采样带来的损失的原因。 High-resolution（HR高分辨）.
2）深度卷积网络（DCN）成功在各种各样的计算机视觉任务，它们往往有非常大的receptive field。那么拓宽receptive field方法有啥呢？？may增加网络深度。具体方式有两种：filter尺寸大于1*1的卷积层或者池化层that reduces the dimension of intermediate representation can be used.前者缺点：引入了更多参数，后者缺点：丢弃了一些pixel-wise信息。池化层又叫下采样层。
3)问题又来了，引入池化会丢失细节，因为对于像超分辨和去噪的图像复原问题细节很重要，所以这种问题不用池化；然而加入新的weight layer也有问题，引入卷积层来增加网络深度会导致过拟合可能性更大（又需要更多数据来降低过拟合）、模型更庞大（不利于存入和恢复）。
4）那么3）中分析了池化和卷积带来的麻烦，所以引入DRCN来解决问题。它重复多次应用相同的卷积层。它不会带来参数增加的问题，和SRCNN（下篇论文讲）比receptive field更大。然而DRCN利用梯度下降不易收敛，与梯度消失有关。还有一个缺点：用单权重网络层学习大范围独立像素很困难。
5）阐述recursive-supervision和skip-connection.他俩解决训练问题。前者：首先，所有递归被监督，每次递归后，特征映射被用来重构HR，重构方法对于递归过程都相同，每次递归给出一个HR预测，结合递归的不同层次所带来的不同预测结果来达到更精确预测。后者：在SR中，低分辨（输入）和高分辨（输出）大范围享有共同信息，对于输入的精准复制然而在前向传播会衰减，我们对于输出重构将输入与网络层结合起来。如果输入和输出高度相关时尤其有效（对于SR，输入输出图像高度相关）。
2.相关工作
1）许多方法应用于寻找LR到HR的更好的回归函数，有neighbor embedding、sparse coding、convolutional neural network、random forest.
2)RNN适合于temporal和sequential数据，但是对于单幅静态图像的算法中应用局限.SR处理中不允许有维数减少，因为它预测full-size图像。递归层有着相同维数的输入输出，但是递归卷积比起单纯卷积有更糟的表现，因为过拟合问题。。有人提出来克服过拟合的方法：takes feed-forward inputs into all unfolded layers。他们提出这种克服过拟合的方法表现优异，且网络结构类似于CNN。本文与其类似的地方在于也是用递归或周期性网络层+卷积，进一步的，利用深层递归并也验证了深层递归可以提高SR的表现。本文将相同的卷积进行了16次（之前最多也不过3次）。
3.具体方法（basic model）
1）网络结构包含三个子网络：embedding、inference、reconstruction.
2）embedding网络接收输入图像（灰度或RGB）并将其视作一组特征映射（feature maps）。
3）inference网络为主网络，处理SR。单递归层分析图像区域，每个递归都有相同的卷积操作，卷积过滤器大于1*1，receptive field随着每次递归而增加，最后一层递归代表了HR图像，这时是图像是多通道的。
4）reconstruction网络将多通道转换为单或3通道。
4.具体方法（advanced model）
1)recursive-supervision
2)skip-connnection
标签：inf 重复 form embed paper 可能性 basic nec title
原文地址：http://www.cnblogs.com/king-lps/p/6134867.html
