Resumen

Las redes neuronales convolucionales facilitan el importante proceso de superresolución de imagen única (SISR, por sus siglas en inglés). Sin embargo, la mayoría de los modelos basados en CNN existentes sufren de numerosos parámetros y estructuras excesivamente profundas. Además, estos modelos que dependen de características profundas comúnmente ignoran las pistas de características de bajo nivel, lo que resulta en un rendimiento deficiente. Este artículo demuestra una red intrigante para SISR con conexiones en cascada y residuales (CASR), que alivia estos problemas extrayendo características en una red pequeña llamada módulo principal a través de estrategias basadas en la convolución separable en profundidad y la convolución deformable. Además, también incluimos un bloque residual en cascada (CAS-Block) para el proceso de aumento de muestreo, que beneficia la propagación del gradiente y el aprendizaje de características al tiempo que facilita el entrenamiento del modelo. Experimentos extensos realizados en cuatro conjuntos de datos de referencia demuestran que el método propuesto es superior a los últimos métodos de SISR en tér

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Redes neuronales convolucionales; Super resolución de imagen única; Modelos basados en CNN; Características de bajo nivel; Conexiones en cascada y residuales; CASR
• Keywords:Convolution neural networks; Single image super-resolution; CNN-based models; Low-level features; Cascading and residual connections; CASR