dnCNNLayers

Obtenga denoising capas de redes neuronales convolucionales

Sintaxis

layers = dnCNNLayers

layers = dnCNNLayers(Name,Value)

Descripción

layers = dnCNNLayers devuelve capas de la red neuronal convolucional denoizadora (DnCNN) para imágenes en escala de grises.

Esta función requiere que tenga .Deep Learning Toolbox™

layers = dnCNNLayers(Name,Value) devuelve capas de la red neuronal convolucional denoizante con parámetros de nombre-valor adicionales que especifican la arquitectura de red.

Ejemplos

Obtener capas de red de denobúsqueda de imágenes

Obtenga capas de la imagen que denoising red neuronal convolucional, 'DnCNN'. Solicite el número predeterminado de capas, que devuelve 20 capas de convolución.

layers = dnCNNLayers

layers =    1x59 Layer array with layers:       1   'InputLayer'             Image Input           50x50x1 images      2   'Conv1'                  Convolution           64 3x3x1 convolutions with stride [1  1] and padding [1  1  1  1]      3   'ReLU1'                  ReLU                  ReLU      4   'Conv2'                  Convolution           64 3x3x64 convolutions with stride [1  1] and padding [1  1  1  1]      5   'BNorm2'                 Batch Normalization   Batch normalization with 64 channels      6   'ReLU2'                  ReLU                  ReLU      7   'Conv3'                  Convolution           64 3x3x64 convolutions with stride [1  1] and padding [1  1  1  1]      8   'BNorm3'                 Batch Normalization   Batch normalization with 64 channels      9   'ReLU3'                  ReLU                  ReLU     10   'Conv4'                  Convolution           64 3x3x64 convolutions with stride [1  1] and padding [1  1  1  1]     11   'BNorm4'                 Batch Normalization   Batch normalization with 64 channels     12   'ReLU4'                  ReLU                  ReLU     13   'Conv5'                  Convolution           64 3x3x64 convolutions with stride [1  1] and padding [1  1  1  1]     14   'BNorm5'                 Batch Normalization   Batch normalization with 64 channels     15   'ReLU5'                  ReLU                  ReLU     16   'Conv6'                  Convolution           64 3x3x64 convolutions with stride [1  1] and padding [1  1  1  1]     17   'BNorm6'                 Batch Normalization   Batch normalization with 64 channels     18   'ReLU6'                  ReLU                  ReLU     19   'Conv7'                  Convolution           64 3x3x64 convolutions with stride [1  1] and padding [1  1  1  1]     20   'BNorm7'                 Batch Normalization   Batch normalization with 64 channels     21   'ReLU7'                  ReLU                  ReLU     22   'Conv8'                  Convolution           64 3x3x64 convolutions with stride [1  1] and padding [1  1  1  1]     23   'BNorm8'                 Batch Normalization   Batch normalization with 64 channels     24   'ReLU8'                  ReLU                  ReLU     25   'Conv9'                  Convolution           64 3x3x64 convolutions with stride [1  1] and padding [1  1  1  1]     26   'BNorm9'                 Batch Normalization   Batch normalization with 64 channels     27   'ReLU9'                  ReLU                  ReLU     28   'Conv10'                 Convolution           64 3x3x64 convolutions with stride [1  1] and padding [1  1  1  1]     29   'BNorm10'                Batch Normalization   Batch normalization with 64 channels     30   'ReLU10'                 ReLU                  ReLU     31   'Conv11'                 Convolution           64 3x3x64 convolutions with stride [1  1] and padding [1  1  1  1]     32   'BNorm11'                Batch Normalization   Batch normalization with 64 channels     33   'ReLU11'                 ReLU                  ReLU     34   'Conv12'                 Convolution           64 3x3x64 convolutions with stride [1  1] and padding [1  1  1  1]     35   'BNorm12'                Batch Normalization   Batch normalization with 64 channels     36   'ReLU12'                 ReLU                  ReLU     37   'Conv13'                 Convolution           64 3x3x64 convolutions with stride [1  1] and padding [1  1  1  1]     38   'BNorm13'                Batch Normalization   Batch normalization with 64 channels     39   'ReLU13'                 ReLU                  ReLU     40   'Conv14'                 Convolution           64 3x3x64 convolutions with stride [1  1] and padding [1  1  1  1]     41   'BNorm14'                Batch Normalization   Batch normalization with 64 channels     42   'ReLU14'                 ReLU                  ReLU     43   'Conv15'                 Convolution           64 3x3x64 convolutions with stride [1  1] and padding [1  1  1  1]     44   'BNorm15'                Batch Normalization   Batch normalization with 64 channels     45   'ReLU15'                 ReLU                  ReLU     46   'Conv16'                 Convolution           64 3x3x64 convolutions with stride [1  1] and padding [1  1  1  1]     47   'BNorm16'                Batch Normalization   Batch normalization with 64 channels     48   'ReLU16'                 ReLU                  ReLU     49   'Conv17'                 Convolution           64 3x3x64 convolutions with stride [1  1] and padding [1  1  1  1]     50   'BNorm17'                Batch Normalization   Batch normalization with 64 channels     51   'ReLU17'                 ReLU                  ReLU     52   'Conv18'                 Convolution           64 3x3x64 convolutions with stride [1  1] and padding [1  1  1  1]     53   'BNorm18'                Batch Normalization   Batch normalization with 64 channels     54   'ReLU18'                 ReLU                  ReLU     55   'Conv19'                 Convolution           64 3x3x64 convolutions with stride [1  1] and padding [1  1  1  1]     56   'BNorm19'                Batch Normalization   Batch normalization with 64 channels     57   'ReLU19'                 ReLU                  ReLU     58   'Conv20'                 Convolution           1 3x3x64 convolutions with stride [1  1] and padding [1  1  1  1]     59   'FinalRegressionLayer'   Regression Output     mean-squared-error 

Puede entrenar una red de denobúsqueda de imágenes personalizadas proporcionando estas capas y un to .denoisingImageDatastoretrainNetwork (Deep Learning Toolbox)

Argumentos de entrada

Argumentos de par nombre-valor

Especifique pares opcionales separados por comas de argumentos. es el nombre del argumento y es el valor correspondiente. deben aparecer entre comillas.Name,ValueNameValueName Puede especificar varios argumentos de par de nombre y valor en cualquier orden como .Name1,Value1,...,NameN,ValueN

Ejemplo: 'NetworkDepth',15

NetworkDepth — Número de capas de convolución

20 (predeterminado) | entero positivo

Número de capas de convolución, especificado como un entero positivo con un valor mayor o igual que 3.

Ejemplo: 15

Tipos de datos: single | double | int8 | int16 | int32 | uint8 | uint16 | uint32

Argumentos de salida

layers — Capas de red

vector de objetosLayer

Denoising de capas de redes neuronales convolucionales, devueltas como vector de objetos.Layer (Deep Learning Toolbox)

Sugerencias

• La red DnCNN puede detectar ruido y otros artefactos de imagen de alta frecuencia. Por ejemplo, puede entrenar la red DnCNN para aumentar la resolución de la imagen o eliminar artefactos de compresión JPEG. En el ejemplo se muestra cómo entrenar un DnCNN para reducir los artefactos de compresión JPEG en una imagen.Desbloqueo de imágenes JPEG mediante aprendizaje profundo

Referencias

[1] Zhang, K., W. Zuo, Y. Chen, D. Meng, and L. Zhang. "Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising." IEEE Transactions on Image Processing. Vol. 26, Issue 7, 2017, pp. 3142–3155.

Consulte también

denoiseImage | denoisingNetwork | denoisingImageDatastore | trainNetwork (Deep Learning Toolbox)

Temas

• Desbloqueo de imágenes JPEG mediante aprendizaje profundo
• Entrenar y aplicar redes neuronales de denoising

Introducido en R2017b

×

Abrir ejemplo

Tiene una versión modificada de este ejemplo. ¿Desea abrir este ejemplo con sus modificaciones?

No, sobrescribir la versión modificada Sí