最近看了一篇使用卷積神經網路對影象進行超解析度的文章，貌似是為數不多的將卷積神經網路用於影象超解析度的文章。
文章提出了一種卷積神經網路模型，該模型學習了一種end-to-end的對映。作者使用了三層網路對影象進行超解析度重建
網路模型如下圖：
對於一張輸入，作者首先使用bi-cubic對影象進行差值，重建為想要得到的輸出大小相同的尺寸。此時使用差值之後的影象儘管與輸出的尺寸相同，但仍為低解析度影象。之後作者使用n1個filter對影象進行濾波，因此在conv1層得到n1通道的特徵圖。（這n1個filter是我們需要學習的特徵，filter的尺寸為f1*f1）.
之後我們需要將conv1層的n1個特徵圖對映到conv2層的n2個特徵圖。我們使用n1個filter，對conv1的n1個特徵圖分別進行卷積，並且將所得的特徵圖進行疊加，並且加上偏置，由此我們得到了conv2層的乙個特徵圖。（從**中理解）重複n2次，我們在conv2層得到n2個特徵圖。（這些濾波器同樣是需要學習得到的）
然後我們對conv2層的每個特徵圖再進行卷積和疊加，加上偏置，就會得到最終的high-resolution image.
大概是這個意思，說的不是很明白。如果需要的話可以看**。
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...
神經網路 卷積神經網路
1.卷積神經網路概覽 來自吳恩達課上一張，通過對應位置相乘求和，我們從左邊矩陣得到了右邊矩陣，邊緣是白色寬條，當畫素大一些時候，邊緣就會變細。觀察卷積核，左邊一列權重高，右邊一列權重低。輸入，左邊的部分明亮，右邊的部分灰暗。這個學到的邊緣是權重大的寬條 都是30 表示是由亮向暗過渡，下面這個圖左邊暗...
卷積神經網路 有趣的卷積神經網路
一 前言 最近一直在研究深度學習，聯想起之前所學，感嘆數學是一門樸素而神奇的科學。f g m1 m2 r 萬有引力描述了宇宙星河運轉的規律，e mc 描述了恆星發光的奧秘，v h d哈勃定律描述了宇宙膨脹的奧秘，自然界的大部分現象和規律都可以用數學函式來描述，也就是可以求得乙個函式。神經網路 簡單又...