《表1 BSD100上不同网络深度对比结果》
基于CNN的图像复原模型中,增加网络深度对提升性能起到了至关重要的作用,但同时也带来参数量的增加,影响了模型的应用价值.这里,我们将给出CDCNN深度与图像复原性能的关系,从中选取出合理的结构设计.表1中给出了BSD100数据集上不同深度CDCNN的去噪结果以及参数量,BSD测试图像分别添加0均值标准差为50的加性高斯噪声.这里,每个卷积层的卷积核为3×3,滤波个数为32,A表示CDCNN中密集块的个数,B表示每个密集块中卷积层的个数.可以看出:虽然增加网络深度可以带来复原性能的不断提升,但当达到一定深度时,性能的提升开始变慢,而参数量却仍在持续快速增加.为了使复原性能和网络参数量达到很好的平衡,本文提出的CDCNN中包含7个密集块,每个密集块中包含6个卷积层,剩余实验部分均采用这种网络结构设计.
图表编号 | XD00193818100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.01 |
作者 | 刘宇男、张姗姗、王春鹏、李广宇、杨健 |
绘制单位 | 南京理工大学计算机科学与工程学院、南京理工大学计算机科学与工程学院、齐鲁工业大学计算机科学与技术学院、南京理工大学计算机科学与工程学院、南京理工大学计算机科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |