Image Super-Resolution Using Very Deep Residual Channel Attention Networks

摘要

​ 在图像超分辨领域，卷积神经网络的深度非常重要，但过深的网络却难以训练。低分辨率的输入以及特征包含丰富的低频信息，但却在通道间被平等对待，因此阻碍了网络的表示能力。
​ 为了解决上述问题，作者提出了一个深度残差通道注意力网络（RCAN）。其中比较重要的是，作者设计了一个残差中的残差（RIR）结构来构造深层网络，每个 RIR 结构由数个残差组（RG）以及长跳跃连接（LSC）组成，每个 RG 则包含一些残差块和短跳跃连接（SSC）。
​ RIR 结构允许丰富的低频信息通过多个跳跃连接直接进行传播，使主网络专注于学习高频信息。此外，我们还提出了一种通道注意力机制（CA），通过考虑通道之间的相互依赖性来自适应地重新调整特征。

！！！！！

看再多的博客都不如去读一下原始的手册，这里放一个FAT的手册地址，十分感谢南京大学蒋炎岩老师的分享！

http://jyywiki.cn/pages/OS/manuals/MSFAT-spec.pdf

损失函数与梯度下降

损失函数

SVM loss（Hinge loss）

书接上回，代码要怎么写？

对数据库的操作

连接数据库，选用最经典的方法 JDBC

JDBC

​ Java Database Connectivity：Java访问数据库的解决方案，JDBC定义了一套标准接口，即访问数据库的通用API， 不同的数据库厂商根据各自数据库的特点去实现这些接口。JDBC希望用相同的方式访问不同的数据库，让具体的数据库操作与数据库厂商实现无关，从而在不同数据库之间轻易的进行切换。

涉及技术：Javascript Ajax MySQL Servlet JDBC CSS

PS：如果您需要这个系统的源码 可以联系我 无偿提供 我也会发在github

PS：我没啥开发经验，java也很菜，平时大都敲深度学习的代码，有啥问题可以交流

环境

• 运行环境：最好是java jdk 1.8
• IDE环境：IDEA
• tomcat环境：Tomcat 7.x,8.x,9.x版本均可
• 数据库：MySql 5.7版本；
• 是否Maven项目：否；

技术栈

• 后端：Spring + SpringMVC + Mybatis
• 前端：JSP + CSS + JavaSpcript + jQuery

​ 此时此刻，我正坐在俪人湖畔，看着黑天鹅，看着即将毕业的学长学姐在湖边合照，突然思绪万千，有感而发。

YOLOv5

一、输入端分析

Mosaic数据增强

原理分析

YOLOv5采用和YOLOv4一样的Mosaic数据增强。

主要原理：它将一张选定的图片和随机的3张图片进行随机裁剪，再拼接到一张图上作为训练数据。

这样可以丰富图片的背景，而且四张图片拼接在一起变相提高了batch_size，在进行batch normalization（归一化）的时候也会计算四张图片。

这样让YOLOv5对本身batch_size不是很依赖。