也是一篇輕量級的網絡，簡要梳理一下
2018 ArXiv：樹狀網絡
也是傅雪陽的一篇文章，主要提出了一種樹狀的特徵融合網絡，文章使用擴張卷積作爲基本塊，同時減少了網絡參數。
文章主要提出了一種基於特徵融合的樹狀結構融合模型。
網絡使用擴張卷積作爲基本模塊來捕捉雨的空間結構。
圖像的相鄰特徵之間包含着大量的冗餘信息，可以通過分層融合相鄰特徵來減少冗餘。
可以有效地利用空間信息和內容信息來使模型更加緊湊。
關鍵詞： 樹狀結構+擴張卷積+特徵融合+減少參數
網絡結構：
整體網絡結構由一個特徵提取層，八個擴張卷積模塊和一個重建層組成。
由圖可知，網絡輸入一個雨圖 X，然後首先是進行特徵圖的提取，接着是一組8個擴張卷積模塊形成樹形結構，並不斷進行特徵融合，然後得到重建後的特徵圖，提取出估計的殘差部分 R，最後得到去雨的圖像Y。
具體實現：
1、網絡組成
特徵提取：
擴張卷積模塊：
擴張卷積增加感受野，通過將同一個濾波器放大到不同的尺度來保持分辨率。爲了減少參數的數量，我們在每個塊中使用一個具有不同擴展因子的卷積核。計算得到各擴張卷積塊內的多尺度特徵：
WDF和b參數對於不同的擴展卷積是共享的。多尺度特徵通過樹狀結構聚合來融合，生成單尺度特徵。
使用跳躍連接來生成每個模塊的輸出：
2、樹狀特徵融合
設計了一個樹狀結構的操作來融合相鄰的特徵，使用1×1卷積來允許網絡自動執行這種融合。
融合：
其中Z1和Z2是具有相同維度的相鄰特徵，concat表示連接。Wfuse是一個大小爲1×1的內核，用於融合Z1和Z2，融合後生成的Z與Z1和Z2的尺寸相同。
相鄰特徵融合減少冗餘：
3、損失函數
損失函數採用了MSE和SSIM損失。
分頁