Überblick

Fortsetzung der vorherigen Sitzung. Es ist Teil2. Klicken Sie hier für den vorherigen Link (Teil 1) → https://t.co/CpVUj7CiHo?amp=1 Letztes Mal: Ich habe versucht, eine Super-Resolution-Methode / SRCNN build zu erstellen Fortsetzung: Ich habe versucht, eine Super-Resolution-Methode / SRCNN build zu erstellen

Inhaltsverzeichnis

Zuallererst
PC-Umgebung
Codebeschreibung
Am Ende

1. Zuallererst

Super-Resolution ist eine Technologie, die die Auflösung von Bildern mit niedriger Auflösung und bewegten Bildern verbessert. SRCNN verwendet Deep Learning, um Ergebnisse mit höherer Genauigkeit als herkömmliche Methoden zu messen. Es ist die Methode, die gemacht wurde. (Zweites Mal)

Der vollständige Code ist auch auf GitHub veröffentlicht. Überprüfen Sie ihn daher dort. https://github.com/morisumori/srcnn_keras

2. PC-Umgebung

cpu : intel corei7 8th Gen gpu : NVIDIA GeForce RTX 1080ti os : ubuntu 20.04

3. Codebeschreibung

Wie Sie aus GitHub sehen können, besteht es hauptsächlich aus drei Codes. ・ Datacreate.py → Programm zur Datensatzgenerierung ・ Model.py → SRCNN-Programm ・ Main.py → Ausführungsprogramm Ich habe eine Funktion mit datacreate.py und model.py erstellt und mit main.py ausgeführt.

__ Dieses Mal werde ich model.py erklären. __ __

Beschreibung von model.py

`model.py`



import tensorflow as tf
from tensorflow.python.keras.models import Model
from tensorflow.python.keras.layers import Conv2D, Input

def SRCNN():
    input_shape = Input((None, None, 1))

    conv2d_0 = Conv2D(filters = 64,
                        kernel_size = (9, 9),
                        padding = "same",
                        activation = "relu",
                        )(input_shape)
    conv2d_1 = Conv2D(filters = 32,
                        kernel_size = (1, 1),
                        padding = "same",
                        activation = "relu",
                        )(conv2d_0)
    conv2d_2 = Conv2D(filters = 1,
                        kernel_size = (5, 5),
                        padding = "same",
                        )(conv2d_1)

    model = Model(inputs = input_shape, outputs = [conv2d_2])

    model.summary()

    return model

Wie erwartet ist es kurz.

Wenn ich mir das SRCNN-Papier anschaue, schreibe ich übrigens, dass es eine solche Struktur hat. Es hat insgesamt 3 Schichten. Bitte lesen Sie das Papier für die Details des Modells. Link → https://arxiv.org/pdf/1501.00092.pdf

Im Code werden die Anzahl der Filter, die Kernelgröße usw., die im Dokument beschrieben werden, so angewendet, wie sie sind. Es scheint also, dass das Kopieren in Ordnung ist. Ich baue mit Keras.

Ich erkläre nicht wirklich über Modell ...? Es ist alles in der Faltungsschicht. Weitere Informationen finden Sie unter Keras-Dokumentation.

4. Am Ende

Diesmal habe ich das Modell erklärt. Das letzte ist die Implementierung. Letztes Mal: Ich habe versucht, eine Super-Resolution-Methode / SRCNN build zu erstellen Fortsetzung: Ich habe versucht, eine Super-Resolution-Methode / SRCNN build zu erstellen

Wenn Sie Fragen oder Kommentare haben, zögern Sie bitte nicht, uns zu kontaktieren!

[PYTHON] Ich habe versucht, eine Super-Resolution-Methode / SRCNN build zu erstellen