利用尺度空间理论进行深度卷积网络的分辨率学习
提出了一种使用代理分布降低高分辨率图像分类的推理和存储成本的方法,并介绍了一个新的原则性变分下界来捕捉代理分布后验与原始图像坐标空间之间的关系以最大化条件分类似然函数。在合成基准测试和现实世界大分辨率 DSLR 相机图像数据集上进行实证的结果表明,我们的方法产生了可比较的结果,而且推理速度快了 10 倍并且消耗的内存更少。即便是处理复杂 3D 渲染场景中的 Starcraft II 小地图,我们的模型也提供了强大的定位功能。
Dec, 2018
本文将深度卷积神经网络的前向传播解释为一种时变的非线性微分方程,并将其训练过程看作微分方程参数的控制过程,提出了两种新的多尺度方法以缩放 CNN,第一种方法通过 CNN 参数的伸缩,连接低分辨率和高分辨率数据,实现使用低分辨率图像训练的 CNN 对高分辨率图像进行分类,并加速学习过程,第二种方法通过连接浅层和深层网络,逐渐增加 CNN 的深度并复用参数进行初始化。
Mar, 2017
本论文提出基于卷积层中滤波器基的卷积神经网络参数数量缩减的方法,通过在多个 CNN 架构上对图像分类和图像超分辨率基准进行实验,结果表明该方法在减少参数和保持精确度方面优于现有技术。
Aug, 2019
本文提出了一种基于 Gibbs 分布的条件模型,其充分统计量由深度卷积神经网络给出,用于图像超分辨率问题,并证明了该方法可在其他具有挑战性的不适定问题中使用,例如音频带宽扩展。
Nov, 2015
提出了 Large Receptive Field Networks,它可以扩展超分辨率网络的感受野,同时不增加深度或参数计数,通过实验证明该方法在提高准确率(PSNR / SSIM),减少参数计数和提高速度方面具有有效性。
Apr, 2018
本文介绍了一种新的超网络策略可以用来快速生成卷积神经网络,从而用于处理图像分割任务,在尽可能地保证准确性的前提下提高计算效率,并成功展现了各种域的价值。
Apr, 2023
本文提出一种深度学习方法用于图像超分辨率,采用卷积神经网络直接将低分辨率图片转换为高分辨率图片,能够实现较快的速度和超强的恢复质量,扩展支持三种颜色通道同时处理。
Dec, 2014
通过利用元学习器生成不同输入尺度的主要网络的卷积权重并针对每个尺度维护私有的批量归一化层,同时利用知识蒸馏技术优化不同输入分辨率下的网络预测,我们学习的元网络可以动态地调节主要网络以适用于任意尺寸的输入图像,表现出相较于单一训练模型更好的准确性和执行效率。经过在 ImageNet 数据集上广泛的实验验证,我们的方法在自适应推断过程中实现了更好的准确性与效率权衡。
Jul, 2020
比较了三个经典和三个最近引入的具有挑战性的数据集上的 30 多种最先进的超分辨率卷积神经网络,提出了一种基于深度学习的超分辨率网络的分类方法,并提出了现有技术的几个缺点和未来研究方向。
Apr, 2019
使用高分辨率图像分类和卷积超分辨率技术相结合的方法,提出了一种用于解决低分辨率图像细节问题的端到端的深度模型,并在 Stanford Cars 和 Caltech-UCSD Birds 200-2011 数据集上进行了广泛的实验,结果表明该模型在低分辨率图像中能更好地分类细分类别。
Mar, 2017