【論文閱讀】Deeply-Recursive Convolutional Network for Image Super-Resolution
題目：Deeply-Recursive Convolutional Network for Image Super-Resolution CVPR 2016 Oral收錄
摘要：
我們提出了一種基於深度遞迴卷積網路的影象超分辨方法。我們的網路有一個很深的遞迴層(最多16層)。增加遞迴深度可以提高效能，而無需為額外的卷積引入新的引數，儘管有很多優點，但是使用標準的梯度下降方法學習DRCN非常困難，因為存在梯度消失/爆炸。為了降低訓練難度，我們提出了遞迴監控和跳躍連線
程式碼地址：https://github.com/jiny2001/deeply-recursive-cnn-tf
優點：1.DRCN第一次將之前已有的遞迴神經網路(Recursive Neural Network)結構應用在超解析度處理中；使用了殘差學習的思想（Skip Connection），加深了網路結構，增加了網路的感受野，提升了效能。
開發十年，就只剩下這套架構體系了！
>>>
開發十年，就只剩下這套架構體系了！
>>>
論文的三個貢獻
（1）提出了two-stream結構的CNN，由空間和時間兩個維度的網路組成。
（2）使用多幀的密集光流場作為訓練輸入，可以提取動作的資訊。
（3）利用了多工訓練的方法把兩個資料集聯合起來。
Two stream結構
視屏可以分成空間與時間兩個部 論文閱讀（【CVPR2018】Jinshan Pan - Learning Dual Convolutional Neural Networks for Low-Level Vision）
本文針對低層視覺問題，提出了一般性的用於解決低層視覺問題的對偶卷積神經網路。作者認為，低層視覺問題，如常見的有
開發十年，就只剩下這套架構體系了！
>>>
《POI2Vec: Geographical Latent Representation for Predicting Future Visitors》
Shanshan Feng, Gao Cong, Bo An, Yeow Meng Chee. 2017,AAAI
Abstr
【論文閱讀】Rethinking Spatiotemporal Feature Learning For Video Understanding
這是一篇google的論文，它和之前介紹的一篇facebook的論文的研究內容非常相似連結地址，兩篇論文放到ArXiv上只相差了一個月，但是個
《Region-based Convolutional Networks for Accurate Object Detection and Segmentation》是將卷積神經網路應用於物體檢測的一篇經典文章。
整個識別過程可以用下面的一張圖片來清晰的表示：
首先給定一
文章地址： http://openaccess.thecvf.com/content_ECCV_2018/html/Juncheng_Li_Multi-scale_Residual_Network_ECCV_2018_paper.html 作者的專案地址： MSRN-PyTorch
1 # Introduction
超分是一個在 low level CV 領域中經典的病態問題，比如增強影象視覺質量、改善其他 high level 視覺任務的表現。Zhang Kai 老師這篇文章在我看到的超分文章裡面是比較驚豔我的一篇，首先他指出基於學習(learning-based)的方法表現出高效，且比傳
Residual Dense Network for Image Super-Resolution
以下是 RND論文Tensorflow版本實現的原始碼解析，我假設你已經瞭解Python的基本語法，和Tensorflow的基本用法，如果你對它們不是很熟悉，請到它們的官網查
開發十年，就只剩下這套架構體系了！
>>>
文章：Clustering Convolutional Kernels to Compress Deep Neural Networks
連結：http://openaccess.thecvf.com/content_ECCV_2018/papers/Sanghyun_Son_Clustering_Kern
Bag of Tricks for Image Classification with Convolutional Neural Networks
論文：https://arxiv.org/pdf/1812.01187.pdf
本文作者總結了模型訓練過程中可以提高準確率的方法,如題，
【論文閱讀】Long-Term Recurrent Convolutional Networks for Visual Recognition and Description
這篇文章是15年的一篇文章，文章設計了CNN+LSTM的網路結構用於行為識別、影象描述、視訊描述。因為我研究行為
【論文閱讀】Human Action Recognition using Factorized Spatio-Temporal Convolutional Networks
這是一篇15年ICCV的論文，在15年的時候，3D卷積網路剛剛興起，但是因為3D卷積網路的引數量較多，而且訓練資料
【論文閱讀】Learning Spatiotemporal Features with 3D Convolutional Networks
這是一篇15年ICCV的論文，本篇論文提出的C3D卷積網路是3D卷積網路的里程碑，以3D卷積核為基礎的3D卷積網路從此發展起來。 論文地址：下載地址
開發十年，就只剩下這套架構體系了！
>>>
開發十年，就只剩下這套架構體系了！
>>>
開發十年，就只剩下這套架構體系了！
>>>
相關推薦
【論文閱讀】Deeply-Recursive Convolutional Network for Image Super-Resolution
【論文閱讀】Learning a Deep Convolutional Network for Image Super-Resolution
【CV論文閱讀】Two stream convolutional Networks for action recognition in Vedios
【論文閱讀】Learning Dual Convolutional Neural Networks for Low-Level Vision
【論文閱讀】Feedback Network for Image Super-Resolution
【論文閱讀】POI2Vec: Geographical Latent Representation for Predicting Future Visitors
【論文閱讀】Rethinking Spatiotemporal Feature Learning For Video Understanding
【論文筆記】Region-based Convolutional Networks for Accurate Object Detection and Segmentation
文獻閱讀:Multi-scale Residual Network for Image Super-Resolution
Deep Unfolding Network for Image Super-Resolution 論文解讀
Residual Dense Network for Image Super-Resolution 程式碼詳解
【論文閱讀】Accelerating the Super-Resolution Convolutional Neural Network
【論文閱讀】Clustering Convolutional Kernels to Compress Deep Neural Networks
【論文閱讀】Bag of Tricks for Image Classification with Convolutional Neural Networks
【論文閱讀】Long-Term Recurrent Convolutional Networks for Visual Recognition and Description
【論文閱讀】Human Action Recognition using Factorized Spatio-Temporal Convolutional Networks
【論文閱讀】Learning Spatiotemporal Features with 3D Convolutional Networks
【論文閱讀】Image Super-Resolution Using Deep Convolutional Networks
【論文閱讀】Meta-SR: A Magnification-Arbitrary Network for Super-Resolution
【論文閱讀】Accurate Image Super-Resolution Using Very Deep Convolutional Networks