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
论文解读（Graphormer）《Do Transformers Really Perform Bad for Graph Representation?》
用 Python 画一张北京实时疫情地图：从爬虫到绘图到自动上传服务器
redis（2）-redis数据缓存、mysql和redis数据同步、varnish缓存及负载均衡及健康检查
Linux进阶 | 万字详解Docker镜像的制作，手把手学会！
[React] vite2 + react17 + ts4 项目初始化遇到的问题解决
35.JavaScript对象和数组的解构赋值基础详解、let陷阱、函数参数解构