wdsr 论文阅读笔记
发布时间：2023-10-15 13:30
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。
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
相关推荐
2022-07-15/16 第一小组 田龙月 管理系统javaSE
Bika LIMS 开源LIMS集——ERD实体关系定义（数据库设计）
为 Serverless Devs 插上 Terraform 的翅膀，解耦代码和基础设施，实现企业级多环境部署（下）
引领生物计算新浪潮 | 2021全球抗体亲和力预测大赛圆满结束
【论文阅读】[meta learning]cross-domain few-shot classification via learned feature-wise transformation.
吴恩达机器学习 手推正则化线性回归 正规方程 小白第一篇文章
【面试：并发篇16：多线程：wait/notify详解】原理及错误用法(虚假唤醒等)