演算法時間效率 -見
《learning a deep convolutional network for image super-resolution》中
srcnn引數設定及效果。
為了與傳統的基於示例的方法進行比較，我們使用了與[20]相同的訓練集、測試集和協議。具體而言，訓練集由91幅影象組成。set5用於評估提公升因子2、3和4的效能，而set 14(14影象)用於評估提公升因子3。
為了合成低解析度樣本，我們用適當的高斯核模糊子影象，用提公升因子對子影象進行子取樣，並通過雙三次插值將子影象按相同的因子進行放大。這個 91張訓練影象提供了大約24，800副影象。子影象以14的步長從原始影象中提取。我們嘗試了較小的步伐，但沒有觀察到顯著的效能改善。
訓練時間3天：從我們的觀察來看，訓練集足以訓練所提出的深層網路。訓練(8×10^8反向傳播)大約需要三天，在gtx 770 gpu上。
srcnn+imagenet:32.52db
srcnn+91 images:32.39db
srcnn是乙個相對較小的網路(8，032個引數)，不能超過91幅影象(24，800個樣本)。
對set 5資料集的psnr(db)和測試時間(sec)的測試結果進行了分析。
對set 14資料集的psnr(db)和測試時間(sec)的測試結果進行了分析。
在srcnn中使用不同的濾波器數的結果。訓練在imagenet上進行，而評估則在set 5資料集上進行：
我們將我們的srcnn與最先進的sr方法：yang等人的sc(稀疏編碼)方法進行了比較.[26]，基於k-svd的方法[28]，ne lle(鄰域嵌入區域性線性嵌入)[4]， ne-nnls(鄰嵌入非負最小二乘)[2]和anr(錨定鄰域回歸)方法[20]。這些實現都來自公開提供的**。對於我們的實現，訓練是使用cuda-convnet包[14]實現的。
根據3.2節，我們在主要評估中設定f1=9，f3=5，n1=64和n2=32。我們將在第5節中評估替代設定。對於每乙個提公升因子∈，我們訓練乙個特定的網路用於這一因素。
《image super-resolution using deep convolutional networks》中
我們採用具有良好效能的交換模式：在imagenet上訓練的三層網路，包括f1= 9，f2=5，f=5，n1=64和n2=32的三層網路。對於每乙個尺度因子2；3；4，我們為這一因素訓練乙個特定的網路。
kk-[24]中描述的方法，根據yang等人的工作進行的綜合評價，在基於例項的外部方法中取得了最佳的效能[44]。
SR彙總 基於深度學習方法
1 srcnn fsrcnn learning a deep convolutional network for image super resolution,eccv2014 accelerating the super resolution convolutional neural networ...
Jquery效果方法彙總
selector animate style,speed,easing,callback 該方法用於執行css屬性集的自定義動畫。style只有以數字值才可以建立動畫，如，以字元則無法建立動畫，如 background color red speed是乙個可選引數，數值的單位是毫秒，也可以選擇 sl...
常用分類器的效果對比
如果把機器學習歸為兩大類，那麼主要的工作可以分為 分類和聚類。而分類任務基本上佔整個機器學習或者是資料探勘領域的70 可見我們遇到的很多問題，都可以用分類的演算法進行解決。機器學習發展到現在，許多被證實有效的分類演算法被提出，例如我們經常會用到的k 近鄰分類器 樸素貝葉斯分類器 支援向量機 svm ...