Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Multi-scale Comparison Network for Few-Shot Learning Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

Effective Utilization of Hybrid Residual Modules in Deep Neural Networks for Super Resolution

verfasst von : Abdul Muqeet, Sung-Ho Bae

Erschienen in: MultiMedia Modeling

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Recently, Single-Image Super-Resolution (SISR) has attracted a lot of researchers due to its numerous real-life applications in multiple domains. This paper focuses on efficient solutions of SISR with Hybrid Residual Modules (HRM). The proposed HRM allows the deep neural network to reconstruct very high quality super-resolved images with much lower computation compared to the conventional SISR methods. In this paper, we first describe the technical details of our HRM in SISR and introduce interesting applications of the proposed SISR method, such as surveillance camera system, medical imaging, astronomical imaging.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A CNN-Based Multi-scale Super-Resolution Architecture on FPGA for 4K/8K UHD Applications
Nächstes Kapitel diveXplore 4.0: The ITEC Deep Interactive Video Exploration System at VBS2020
Literatur
1.
Dong, C., Loy, C.C., He, K., Tang, X.: Image super-resolution using deep convolutional networks. IEEE Trans. Pattern Anal. Mach. Intell. 38(2), 295–307 (2016)CrossRef
2.
He, K., Zhang, X., Ren, S., Sun, J.: Deep residual learning for image recognition. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 770–778 (2016)
3.
Li, J., Fang, F., Mei, K., Zhang, G.: Multi-scale residual network for image super-resolution. In: The European Conference on Computer Vision (ECCV), September 2018CrossRef
4.
Lim, B., Son, S., Kim, H., Nah, S., Lee, K.M.: Enhanced deep residual networks for single image super-resolution. In: The IEEE Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, July 2017
5.
Muqeet, A., Iqbal, M.T., Bae, S.H.: Hybrid Residual Attention Network for Single Image Super Resolution. arXiv preprint arXiv:​1907.​05514 2019
6.
Thornton, M.W., Atkinson, P.M., Holland, D.A.: Sub-pixel mapping of rural land cover objects from fine spatial resolution satellite sensor imagery using super-resolution pixel-swapping. Int. J. Remote Sens. 27(3), 473–491 (2006)CrossRef
7.
Greenspan, H.: Super-resolution in medical imaging. Comput. J. 52(1), 43–63 (2008)CrossRef
8.
Pham, C.H., Ducournau, A., Fablet, R., Rousseau, F.: Brain MRI super-resolution using deep 3D convolutional networks. In: 2017 IEEE 14th International Symposium on Biomedical Imaging (ISBI 2017), pp. 197–200 (2017)
9.
Chen, Y., Xie, Y., Zhou, Z., Shi, F., Christodoulou, A.G., Li, D.: Brain MRI super resolution using 3D deep densely connected neural networks. In: 2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018), pp. 739–742 (2018)
10.
Mahapatra, D., Bozorgtabar, B., Hewavitharanage, S., Garnavi, R.: Image super resolution using generative adversarial networks and local saliency maps for retinal image analysis. In: International Conference on Medical Image Computing and Computer-Assisted Intervention, pp. 382–390 (2017)CrossRef
11.
Tatem, A.J., Lewis, H.G., Atkinson, P.M., Nixon, M.S.: Super-resolution target identification from remotely sensed images using a Hopfield neural network. IEEE Trans. Geosci. Remote Sens. 39(4), 781–796 (2001)CrossRef
12.
Dao, M., Kwan, C., Koperski, K., Marchisio, G.: A joint sparsity approach to tunnel activity monitoring using high resolution satellite images. In: 2017 IEEE 8th Annual Ubiquitous Computing, Electronics and Mobile Communication Conference (UEMCON), pp. 322–328 (2017)
13.
Luo, Y., Zhou, L., Wang, S., Wang, Z.: A joint sparsity approach to tunnel activity monitoring using high resolution satellite images video satellite imagery super resolution via convolutional neural networks. IEEE Geosci. Remote Sens. Lett. 14(12), 2398–2402 (2017)CrossRef
14.
Huang, B., Wang, W., Bates, M., Zhuang, X.: Three-dimensional super-resolution imaging by stochastic optical reconstruction microscopy. Science 319(5864), 810–813 (2008)CrossRef
15.
Errico, C., et al.: Ultrafast ultrasound localization microscopy for deep super-resolution vascular imaging. Nature 527(7579), 499 (2015)CrossRef
16.
Hell, S.W., et al.: The 2015 super-resolution microscopy roadmap. J. Phys. D: Appl. Phys. 48(44), 443001 (2015)CrossRef
17.
Li, Z., Peng, Q., Bhanu, B., Zhang, Q., He, H.: Super resolution for astronomical observations. Astrophys. Space Sci. 363(5), 92 (2018)CrossRef
18.
Goto, T., Fukuoka, T., Nagashima, F., Hirano, S., Sakurai, M. Super-resolution System for 4K-HDTV. In: 22nd IEEE International Conference on Pattern Recognition, pp. 4453–4458 (2014)
19.
Kim, S.Y., Oh, J., Kim, M.: Deep SR-ITM: Joint Learning of Super-resolution and Inverse Tone-Mapping for 4K UHD HDR Applications. arXiv preprint arXiv:​1904.​11176 (2019)
20.
Kim, S.Y., Oh, J., Kim, M.: JSI-GAN: GAN-Based Joint Super-Resolution and Inverse Tone-Mapping with Pixel-Wise Task-Specific Filters for UHD HDR Video. arXiv preprint arXiv:​1909.​04391 (2019)
21.
Guo, R., Shi, X., Wang, Z.: Super-resolution from unregistered aliased astronomical images. J. Electron. Imaging 28(2), 023032 (2019)CrossRef
22.
Zhang, S., Ling, J., Huang, C.: Super-resolution geometry processing technology for Ill-sampled astronomical images. J. Phys.: Conf. Ser. 1229(1) 012017 (2019)
23.
Hu, C., Dai, L., Mir, T., Gao, Z., Fang, J.: Super-resolution channel estimation for mmWave massive MIMO with hybrid precoding. IEEE Trans. Veh. Technol. 67(9), 8954–8958 (2018)CrossRef
24.
Liu, H.C., Li, S.T., Yin, H.T.: Infrared surveillance image super resolution via group sparse representation. Opt. Commun. 289, 45–52 (2013)CrossRef
Metadaten
Titel
Effective Utilization of Hybrid Residual Modules in Deep Neural Networks for Super Resolution
verfasst von
Abdul Muqeet
Sung-Ho Bae
Copyright-Jahr
2020
Buch
MultiMedia Modeling

Print ISBN: 978-3-030-37733-5

Electronic ISBN: 978-3-030-37734-2

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-030-37734-2_64

Neuer Inhalt

    Bildnachweise