이것저것 코딩하는 블로그

1. SRCNN[1] 앞서 살펴본 CNN에 대한 설명은 image classification 위주로 되어 있다. 그렇다면 CNN을 우리의 목적인 super-resolution (SR) 에 어떻게 적용할 수 있을까? 이를 다룬 논문인 SRCNN을 리뷰하며 그 방법을 알아보고자 한다. Super-resolution이란 low resolution (저해상도, LR) 이미지를 high resolution (고해상도, HR) 이미지로 변환하거나 화질을 개선시키는 기술이다. 주로 지도 학습으로 이루어지며, low resolution과 ground-truth (GT) 이미지를 모델에게 제공한 후, 모델은 HR 결과와 GT 결과의 차이가 적어지도록 학습된다. SRCNN의 SR 과정을 논문에 주어진 단계에 따라 살펴보자..

0. 신경망 1) 뉴런 신경망을 구성하는 것은 뉴런이다. 뉴런이란 하나의 함수로 이해하면 되는데, 입력값을 넣으면 어떤 과정을 거쳐 (이 과정은 사용자가 정의한다) 결과를 내놓는 것이다. 2) 퍼셉트론 퍼셉트론이란 특정한 과정이 설정된 뉴런이다. 그 과정이란, 입력값을 넣으면 퍼셉트론은 정해진 가중치를 곱하여 결과값을 계산한다. 그리고 그 결과값이 일정한 값을 넘으면 값을 출력한다. 이 때 일정한 값을 정하는 함수는 활성 함수라고 불리운다. 활성 함수에는 여러가지가 있는데, 대표적으로 시그모이드 함수와 ReLU 함수가 있다. 시그모이드 함수의 식은 다음과 같다. fx=1/1+e-x : 시그모이드 (Sigmoid) 함수 f(x) = max(0,x) : ReLU 함수 개형은 다음과 같다. 두 함수 모두 일정..