Download to read offline
![大変だったこと
• Caffeで再帰やるの実はちょっと大変。チュートリアル
には分類問題しか無い
o How to regression? (issue) https://github.com/BVLC/caffe/issues/512
o “Caffeのデータレイヤで夢が広がる話”
http://www.slideshare.net/rezoolab/caffe
• きれいな画像の[r, g, b]というラベルだけのデータレイヤとノイジーな画像
のパッチというデータレイヤ2つ作った
• ネットワークの構造によって大分結果変わる
o Waifu2xを参考にしました https://github.com/nagadomi/waifu2x
o 元論文も http://mmlab.ie.cuhk.edu.hk/projects/SRCNN.html
• 入力パッチサイズによっても大分結果変わる](https://image.slidesharecdn.com/superresolution-150524094635-lva1-app6891/85/niconico-cho-kaizo-7-320.jpg)
![[論文紹介] Convolutional Neural Network(CNN)による超解像](https://cdn.slidesharecdn.com/ss_thumbnails/cnn-presen-161218113749-thumbnail.jpg?width=640&height=640&fit=bounds)
![[IBIS2017 講演] ディープラーニングによる画像変換](https://cdn.slidesharecdn.com/ss_thumbnails/ibis2017iizuka-171120134119-thumbnail.jpg?width=640&height=640&fit=bounds)
![[cvpaper.challenge] 超解像メタサーベイ #meta-study-group勉強会](https://cdn.slidesharecdn.com/ss_thumbnails/metastudysr-190314071853-thumbnail.jpg?width=640&height=640&fit=bounds)
![[DL輪読会]Learning to simplify fully convolutional networks for rough sketch](https://cdn.slidesharecdn.com/ss_thumbnails/learningtosimplifyfullyconvolutionalnetworksforroughsketch-161026035230-thumbnail.jpg?width=640&height=640&fit=bounds)
niconico cho kaizo
- 1.
- 2.
- 3.
- 4.
- 5. 使ったネットワーク 1. ノイズ画像から9x9のパッチを入力 2. 畳み込み1-> 9x9x32 3. RELU 4. 畳み込み2 -> 9x9x64 5. RELU 6. 畳み込み3 -> 9x9x3 7. 全結合NN -> 1x1x3 8. きれいな方の画像の画素とユークリッド距離を比較 よくあるCNNとの違いは、 • プーリングを使わない • 位置が大事だから • 分類ではなく回帰 • 出力が画素値だから
- 6. 上手くいかないところ • 色 o R,G,Bのユークリッド距離が誤差関数なんだけど、人間にとっては色味が変わる のはかなり大きい •ちょっと平滑化が効きすぎる o 全体的に平坦にしたほうがユークリッド距離の誤差小さくなるから。。。
- 7. 大変だったこと • Caffeで再帰やるの実はちょっと大変。チュートリアル には分類問題しか無い o Howto regression? (issue) https://github.com/BVLC/caffe/issues/512 o “Caffeのデータレイヤで夢が広がる話” http://www.slideshare.net/rezoolab/caffe • きれいな画像の[r, g, b]というラベルだけのデータレイヤとノイジーな画像 のパッチというデータレイヤ2つ作った • ネットワークの構造によって大分結果変わる o Waifu2xを参考にしました https://github.com/nagadomi/waifu2x o 元論文も http://mmlab.ie.cuhk.edu.hk/projects/SRCNN.html • 入力パッチサイズによっても大分結果変わる
- 8.