論文疑點：

Embedding層是怎么操作的？

https://gshtime.github.io/2018/06/01/tensorflow-embedding-lookup-sparse/

這篇文章解釋的很好，就是把一個高維的特征，乘以一個矩陣，把維數(shù)降下來。盡量少的稀疏，方便表達(dá)。和PCA的作用是一樣。

?

DRCN與上面的VDSR都是來自首爾國立大學(xué)計算機視覺實驗室的工作，兩篇論文都發(fā)表在CVPR2016上，兩種方法的結(jié)果非常接近。DRCN第一次將之前已有的遞歸神經(jīng)網(wǎng)絡(luò)(Recursive Neural Network)結(jié)構(gòu)應(yīng)用在超分辨率處理中。同時，利用殘差學(xué)習(xí)的思想(文中的跳躍連接（Skip-Connection）)，加深了網(wǎng)絡(luò)結(jié)構(gòu)(16個遞歸)，增加了網(wǎng)絡(luò)感受野，提升了性能。DRCN網(wǎng)絡(luò)結(jié)構(gòu)如下圖所示。

DRCN輸入的是插值后的圖像，分為三個模塊，第一個是Embedding network，相當(dāng)于特征提取，第二個是Inference network, 相當(dāng)于特征的非線性映射，第三個是Reconstruction network,即從特征圖像恢復(fù)最后的重建結(jié)果。其中的Inference network是一個遞歸網(wǎng)絡(luò)，即數(shù)據(jù)循環(huán)地通過該層多次。將這個循環(huán)進(jìn)行展開，等效于使用同一組參數(shù)的多個串聯(lián)的卷積層，如下圖所示。?

?

轉(zhuǎn)載于:https://www.cnblogs.com/captain-dl/p/9718771.html

總結(jié)

以上是生活随笔為你收集整理的DRCNN超分辨重建2016年的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。