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，把維數降下來。盡量少的稀疏，方便表達。和PCA的作用是一樣。

?

DRCN與上面的VDSR都是來自首爾國立大學計算機視覺實驗室的工作，兩篇論文都發(fā)表在CVPR2016上，兩種方法的結果非常接近。DRCN第一次將之前已有的遞歸神經網絡(Recursive Neural Network)結構應用在超分辨率處理中。同時，利用殘差學習的思想(文中的跳躍連接（Skip-Connection）)，加深了網絡結構(16個遞歸)，增加了網絡感受野，提升了性能。DRCN網絡結構如下圖所示。

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

?

轉載于:https://www.cnblogs.com/captain-dl/p/9718771.html

總結

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站內容還不錯，歡迎將生活随笔推薦給好友。